Dades públiques per a la salut

A l'abril, vam posar en marxa⁠ IA per a l'Alzheimer, el primer programa de l'OpenAI Foundation en ciències de la vida i cura de malalties. Avui presentem el nostre segon programa científic: Dades públiques per a la salut.

Amb IA per a l'Alzheimer, ens centrem en una malaltia que afecta moltes famílies i en la qual creiem que la IA pot ajudar els científics a desenvolupar tractaments millors. Amb Dades públiques per a la salut, volem impulsar els avenços en les ciències de la vida i en moltes malalties finançant la creació i la preservació de conjunts de dades científiques d'alta qualitat i posant-los a l'abast de tota la comunitat investigadora.

Les dades científiques són observacions del món que ens envolta, la base de la recerca i els descobriments. En camps on els descobriments es poden verificar sense recollir dades noves, com en algunes branques de les matemàtiques, els sistemes d'IA han començat recentment a aportar⁠ nous⁠ coneixements⁠. En biologia, mentrestant, els sistemes d'IA són cada cop més capaços d'analitzar informació biològica a gran escala i descobrir estructures ocultes fins i tot a partir de proves incompletes, de vegades amb una eficiència sorprenent.

Tanmateix, preveiem que molts dels avenços pendents en la prevenció i el tractament de malalties sorgiran de combinar la intel·ligència dels nous models amb més observacions del món; és a dir, amb més dades.

És possible que alguns conjunts de dades d'un valor públic enorme no s'arribin a crear ni compartir perquè cap institució no té, per si sola, prou incentius o capacitat per finançar-los. Per això, el suport a les dades públiques per a la salut encaixa plenament amb l'OpenAI Foundation.

Les nostres primeres subvencions

Comencem donant suport a més de 125 milions de dòlars en subvencions destinades a un primer grup d'entitats sense ànim de lucre i universitats, que cobreixen moltes capes de dades: des de molècules i epidemiologia fins a coneixements normatius.

Aquests són alguns exemples dels projectes als quals donem suport:

1. OpenADMET⁠ crearà conjunts de dades oberts, referents d'avaluació i competicions a cegues per comprovar si es poden entrenar models d'IA perquè prediguin com s'absorbeixen i es distribueixen les molècules petites per l'organisme, amb l'objectiu de fer més previsible el desenvolupament de fàrmacs i reduir-ne la taxa de fracàs.

   El 90 % dels fàrmacs candidats fracassen en els assaigs clínics⁠. Sovint, això es deu a la dificultat de predir com s'absorbiran i es desplaçaran per l'organisme: les seves propietats «ADMET»⁠. Els reptes de predicció encara no resolts com aquest poden ser idonis per a la IA si es combinen amb dades d'alta qualitat que permetin validar l'exactitud de les prediccions de diferents models. Per exemple, AlphaFold2 va transformar la predicció de l'estructura de les proteïnes mitjançant dades del Protein Data Bank⁠, en una competició organitzada per CASP⁠ contra altres mètodes de modelització. La predicció de l'estructura de les proteïnes ja està integrada en molts programes de descoberta de fàrmacs que probablement acabaran beneficiant els pacients.

   Per predir millor les propietats ADMET dels fàrmacs candidats, l'equip d'OpenADMET desenvoluparà conjunts de dades d'alta qualitat per validar nous models predictius i organitzarà reptes oberts en què podran participar investigadors d'arreu del món.

   

   «La descoberta de fàrmacs està plena de problemes universals que cap empresa ni laboratori acadèmic interessat a curar una malaltia concreta pot resoldre pel seu compte», afirma James Fraser, doctor, membre del consell de govern d'OpenADMET i professor i director del Departament de Bioenginyeria i Ciències Terapèutiques de la UCSF. «OpenADMET es va crear per abordar aquests problemes de manera oberta i preparada per a l'aprenentatge automàtic. Ens entusiasma poder construir la capa fonamental que permetrà que la IA acceleri enormement el desenvolupament de nous tractaments».

2. CTD Commons⁠ preservarà i publicarà els coneixements normatius de programes de desenvolupament de fàrmacs fallits perquè els equips futurs puguin aprendre de precedents que acostumen a quedar ocults, cosa que ajudarà a descobrir més ràpidament tractaments eficaços per als pacients.

   Un CTD, o document tècnic comú, és un document que recull tot el recorregut d'un fàrmac en investigació: des de la toxicologia animal i els detalls de fabricació fins a la correspondència amb l'FDA, que potser és l'element més útil. Tanmateix, només una petita part d'aquest treball apareix en articles publicats.

   CTD Commons estudiarà la possibilitat d'obtenir els CTD de programes de fàrmacs fallits o arxivats i posar-los obertament a disposició de tothom per a la recerca i l'anàlisi.

   «Cada sol·licitud presentada a l'FDA representa el treball intens i els sacrificis d'investigadors, revisors i participants en els estudis. Encara que aquests esforços fracassin, no s'hauria de desaprofitar la valuosa informació que generen», assenyala Josh Morrison, principal organitzador de CTD Commons i president d'1Day Sooner. «CTD Commons reduirà la duplicació i els costos i maximitzarà l'impacte de la recerca clínica».

3. La UNC⁠ crearà la Iniciativa per a la Immunoteràpia Generativa i generarà dades públiques i multimodals per contribuir a un futur en què els pacients amb càncer puguin rebre ràpidament vacunes personalitzades contra el càncer quan siguin diagnosticats.

   Les actuals vacunes contra el càncer basades en "neoantígens" són un dels pocs medicaments dissenyats computacionalment per a cada pacient, mitjançant la seqüenciació d'una cèl·lula tumoral per predir quines dianes específiques del tumor es presenten a la seva superfície. Però aquesta seqüenciació és, en si mateixa, una aproximació a la realitat, perquè és difícil i costós mesurar directament les dianes de la superfície cel·lular i, a més, comprovar amb quina intensitat reacciona el sistema immunitari del pacient a cadascuna d'aquestes proteïnes.

   La UNC establirà aquests vincles que falten en centenars de tumors i diversos tipus de càncer. Així crearà un dels primers conjunts de dades d'entrenament i avaluació d'aquest camp, amb dades públiques desidentificades que serviran de base a investigadors d'arreu del món.

   "Les vacunes personalitzades contra el càncer finalment comencen a mostrar indicis d'eficàcia clínica, però encara hi ha llacunes que podrien trigar dècades a cobrir-se amb el model tradicional de desenvolupament terapèutic. Les dades d'alta qualitat poden ajudar-nos a cobrir aquestes llacunes més de pressa", afirma Alex Rubinsteyn, doctor i professor adjunt de Genètica a la Facultat de Medicina de la UNC. «Ens entusiasma poder escurçar aquests terminis i ajudar a fer realitat immunoteràpies personalitzades que siguin eficaces de manera generalitzada».

   

La nostra estratègia inicial

Preveiem que aquesta secció serà especialment rellevant per als investigadors interessats en futures oportunitats de subvenció de l'OpenAI Foundation.

Hi ha moltes més dades científiques que seria valuós recollir que no pas les que pot finançar un únic donant. Per això, volíem explicar amb més detall a la comunitat investigadora quins tipus de dades creiem que es poden beneficiar més del suport de l'OpenAI Foundation.

Les nostres hipòtesis inicials sobre les dades en què cal centrar-se són: dades connectades, dades escasses i dades directes . Els conjunts de dades que financem normalment tindran una o dues d'aquestes propietats, que descrivim amb més detall a continuació, i en casos poc freqüents reuniran totes tres.

En tots els conjunts de dades, creiem que cada cop serà més important fer que les dades siguin àmpliament accessibles, tot garantint la privadesa quan es tracti de dades de pacients. Això permetrà que els investigadors aprofitin la feina dels altres i que el progrés científic sorgeixi de llocs inesperats.

1. Dades connectades: seguir la biologia al llarg de múltiples etapes

   La biologia es manifesta a escales diferents, però la majoria dels conjunts de dades de ciències de la vida només capten una part de la realitat. Un atles cel·lular pot mesurar molècules en milers de cèl·lules, mentre que les imatges de molècules individuals només segueixen una cèl·lula. Totes dues perspectives són valuoses, però com que aquests conjunts de dades se solen crear de manera independent, poden caldre anys de treball posterior per determinar com es relacionen els resultats científics. Volem ajudar equips de recerca individuals a passar deliberadament d'una escala a una altra i a crear conjunts de dades rics i connectats, amb capes diferents que es reforcin mútuament.

   Per exemple, la nostra subvenció a la UCSF permetrà que l'equip d'OpenADMET mesuri propietats i interaccions moleculars clau de desenes de milers de compostos. Després, l'equip connectarà aquesta caracterització àmplia amb dues perspectives del transport de fàrmacs: estructures de proteïnes transportadores determinades de manera experimental amb determinades molècules unides, i assajos que mesuren com interactuen funcionalment aquestes proteïnes amb les molècules. Finalment, provaran un subconjunt d'aquests compostos en models de la barrera hematoencefàlica humana i compararan els resultats amb mesuraments in vivo en animals.

   Aquest mètode de recollida de dades oferirà una descripció excepcionalment completa dels factors que determinen com es desplaça un fàrmac per l'organisme, cosa que permetrà obtenir prediccions millors dels models d'IA al nivell que ens importa als humans.

2. Dades escasses: preservar allò que no es pot recrear

   Cap IA futura, per molt capaç que sigui, no podrà tornar enrere i observar esdeveniments biològics ocorreguts en moments concrets i irrepetibles, com ara les causes de mort i malaltia en països sense estadístiques vitals fiables o el contingut de mostres biològiques de pacients en moments concrets que ja han passat. La biologia és plena d'aquestes oportunitats sense retorn, i és possible que els futurs modelitzadors trobin utilitats per a aquestes proves que avui els investigadors no poden preveure. Per tant, ens interessen especialment les propostes que recullin o preservin dades valuoses abans que l'oportunitat desaparegui, o que posin a l'abast de tothom conjunts de dades privats existents que mai no es podran recrear, tot respectant la privadesa i el consentiment individual.

   Per exemple, la nostra subvenció a CTD Commons servirà per investigar si es poden preservar els registres de programes de desenvolupament de fàrmacs fallits abans que les empreses tanquin i els registres desapareguin. A curt termini, aquests documents poden ajudar els equips que es troben en les primeres etapes del desenvolupament de fàrmacs a entendre què han exigit els organismes reguladors a productes similars, en lloc d'aprendre mitjançant un costós procés d'assaig i error. A llarg termini, els documents poden servir de recurs perquè els sistemes d'aprenentatge automàtic descobreixin patrons que expliquin per què els fàrmacs fracassen o tenen èxit. Això podria impulsar millores en la regulació o en les estratègies dels assaigs i permetre que els pacients es beneficiïn abans dels nous tractaments.

3. Dades directes: mesurar els estats biològics i clínics més propers al que importa

   Durant gran part de la seva història, la biologia ha mesurat allò que era fàcil o barat de mesurar. Per exemple, s'han prioritzat les dades de cèl·lules individuals per sobre de les dades clíniques humanes, o l'expressió de l'ARN per sobre de les proteïnes. Aquestes aproximacions han estat enormement útils, però també es poden desvincular dels objectius d'entendre la biologia i de prevenir i tractar les malalties. En casos com aquests, volem proporcionar als investigadors els recursos necessaris per crear conjunts de dades que mesurin allò que més importa. També pot ser que els instruments necessaris per mesurar la «veritat biològica» encara no existeixin o que utilitzar-los a gran escala sigui prohibitivament car. Amb aquest programa, esperem donar suport a totes dues iniciatives: dades noves i eines noves.

   Per exemple, la nostra subvenció a la UNC per crear la Iniciativa per a la Immunoteràpia Generativa permetrà que l'equip d'UNC Lineberger i UNC Health produeixi les dades basades en humans necessàries per millorar la pròxima generació de vacunes contra el càncer. Això significa mesurar directament les proteïnes de la superfície de les cèl·lules tumorals i les respostes de les cèl·lules T dels pacients, en lloc de limitar-se a seqüenciar el tumor. Generar aquestes dades és car; si aquesta vegada ho fem de manera exhaustiva i publiquem els resultats obertament, esperem que se'n puguin beneficiar tots els futurs projectes de vacunes contra el càncer. En concret, si aquest projecte té èxit, els futurs candidats a vacunes podran començar l'administració en humans amb un conjunt de dianes més sòlid. Això hauria d'augmentar les probabilitats que funcionin i permetre aprendre'n més quan no ho facin.

Garantir que les dades siguin accessibles per als investigadors

Finalment, en totes les nostres subvencions, vetllem perquè els conjunts de dades resultants siguin tan accessibles com sigui possible per als investigadors d'arreu del món.

Durant gran part de la història de la ciència, posar a prova hipòtesis ha estat un dels principals obstacles per als descobriments. Només hi havia una quantitat limitada «d'intel·ligència» per dedicar als problemes: un nombre determinat d'estudiants de postgrau i científics professionals que generaven i analitzaven dades sobre un problema. El progrés continu de la IA en programació i anàlisi de dades trenca aquest supòsit. L'anàlisi de dades pot arribar a ser molt més escalable, i poden sorgir coneixements de col·laboracions difícils de preveure en el moment en què es generen les dades.

La nostra missió és garantir que la intel·ligència artificial general beneficiï tota la humanitat. Les dades científiques creades amb el nostre suport s'han de posar a l'abast de tothom, tot preservant la privadesa i el consentiment individuals sempre que incloguin dades humanes. Però l'accessibilitat va més enllà de publicar simplement les dades en brut. Animem els beneficiaris de subvencions a publicar les seves anàlisis com a prepublicacions, compartir les dades periòdicament en lloc de fer-ho només al final i, si les seves dades no estan «connectades», treballar conjuntament amb els usuaris de les dades per avaluar-ne la utilitat en problemes biològics importants.

Aprenentatge iteratiu

Aquest article descriu l'orientació inicial de Dades públiques per a la salut. Actualitzem activament els nostres punts de vista a mesura que avancen la ciència i la IA, i a partir de les converses amb altres membres de la comunitat investigadora.

Si tens idees per a Dades públiques per a la salut, t'animem a posar-te en contacte amb nosaltres a [email protected]⁠. Et pots subscriure al nostre butlletí informatiu aquí⁠ per rebre novetats sobre els nostres programes i el finançament.

Si t'interessa dedicar-te professionalment a reflexionar sobre problemes com els que tractem en aquest article, actualment tenim quatre vacants⁠ a l'equip de Ciències de la Vida i Cura de Malalties.