Offentlige data til sundhed

I april lancerede vi⁠ AI for Alzheimers, OpenAI Foundations første program inden for biovidenskab og helbredelse af sygdomme. I dag præsenterer vi vores andet videnskabelige program: Offentlige data til sundhed.

Med AI for Alzheimers fokuserer vi på én sygdom, der rammer mange familier, og hvor vi mener, at AI kan hjælpe forskere med at udvikle bedre behandlinger. Med Offentlige data til sundhed fokuserer vi på at fremme biovidenskaben og forskningen i mange sygdomme ved at finansiere oprettelsen og bevarelsen af videnskabelige datasæt af høj kvalitet, som stilles bredt til rådighed for forskere.

Videnskabelige data er observationer af verden omkring os og det grundlæggende udgangspunkt for forskning og opdagelser. På områder, hvor gennembrud kan verificeres uden indsamling af nye data, eksempelvis dele af matematikken, er AI-systemer for nylig begyndt at bidrage⁠ med ny⁠ viden⁠. Inden for biologien bliver AI-systemer samtidig stadig bedre til at analysere biologisk information i stor skala og afdække skjulte strukturer selv i ufuldstændigt datamateriale – undertiden med forbløffende effektivitet.

Vi forventer dog, at mange af de kommende gennembrud inden for forebyggelse og behandling af sygdom vil opstå, når intelligensen i nye modeller kombineres med flere observationer af verden – med andre ord flere data.

Nogle datasæt af enorm værdi for offentligheden bliver måske aldrig oprettet eller delt, fordi ingen enkelt institution har tilstrækkeligt incitament eller kapacitet til at finansiere dem. Derfor passer støtte til offentlige sundhedsdata godt til OpenAI Foundation.

Vores første bevillinger

Vi begynder med at yde mere end 125 millioner USD i bevillinger til en første gruppe af nonprofitorganisationer og universiteter. Projekterne spænder over mange dataniveauer – fra molekyler og epidemiologi til viden om myndighedskrav.

Her er nogle eksempler på de projekter, vi støtter:

1. OpenADMET⁠ vil oprette åbne datasæt, benchmarks og blindede konkurrencer for at undersøge, om AI-modeller kan trænes til at forudsige, hvordan små molekyler optages og fordeles i kroppen. Målet er at gøre lægemiddeludvikling mere forudsigelig og reducere andelen af nye lægemidler, der slår fejl.

   90 % af alle lægemiddelkandidater slår fejl i kliniske forsøg⁠. Det skyldes ofte, at det er svært at forudsige, hvordan de optages og bevæger sig rundt i kroppen – deres såkaldte »ADMET-egenskaber«⁠. Uløste forudsigelsesproblemer som dette kan være velegnede til AI, når systemerne kombineres med data af høj kvalitet, der kan bruges til at kontrollere nøjagtigheden af forskellige modellers forudsigelser. AlphaFold2 revolutionerede eksempelvis forudsigelsen af proteinstrukturer ved hjælp af data fra Protein Data Bank⁠ i en konkurrence arrangeret af CASP⁠ mod andre modelleringsmetoder. Forudsigelse af proteinstrukturer indgår nu i mange programmer til opdagelse af lægemidler, som sandsynligvis vil komme patienter til gavn.

   For bedre at kunne forudsige lægemiddelkandidaters ADMET-egenskaber vil OpenADMET-teamet udvikle datasæt af høj kvalitet som grundlag for nye prædiktive modeller og afholde åbne konkurrencer, som forskere fra hele verden kan deltage i.

   

   »Udvikling af lægemidler er fuld af universelle problemer, som ingen enkelt virksomhed eller akademisk forskningsgruppe med fokus på at helbrede en bestemt sygdom kan løse alene,« siger James Fraser, ph.d., medlem af OpenADMETs bestyrelse samt professor og institutleder i bioteknik og terapeutiske videnskaber ved UCSF. »OpenADMET blev skabt for at løse disse problemer på en åben måde, der er klar til maskinlæring. Vi glæder os over at kunne opbygge det grundlag, der vil gøre AI i stand til at fremskynde udviklingen af nye behandlinger markant.«

2. CTD Commons⁠ vil bevare og offentliggøre viden om myndighedskrav fra fejlslagne lægemiddelprogrammer. Dermed kan fremtidige teams lære af erfaringer, der normalt er utilgængelige, og hurtigere finde effektive behandlinger til patienter.

   En CTD, eller Common Technical Document, er et dokument, der samler hele forløbet for et forsøgslægemiddel – lige fra toksikologiske dyreforsøg og produktionsoplysninger til, måske mest nyttigt, korrespondance med FDA. Alligevel bliver kun en lille del af dette arbejde beskrevet i publicerede forskningsartikler.

   CTD Commons vil undersøge mulighederne for at indhente CTD'er fra fejlslagne eller skrinlagte lægemiddelprogrammer og stille dem frit til rådighed, så alle kan bruge dem til forskning og analyse.

   »Hver eneste ansøgning til FDA repræsenterer hårdt arbejde og ofre fra forskere, kontrollanter og forsøgsdeltagere. Selv når indsatsen mislykkes, bør den værdifulde information, den frembringer, ikke gå til spilde,« siger Josh Morrison, ledende organisator af CTD Commons og direktør for 1Day Sooner. »CTD Commons vil mindske dobbeltarbejde og omkostninger og maksimere effekten af klinisk forskning.«

3. UNC⁠ vil etablere Initiative for Generative Immunotherapy og skabe offentlige, multimodale data. Det skal bidrage til en fremtid, hvor kræftpatienter hurtigt kan få personligt tilpassede kræftvacciner, når diagnosen stilles.

   Nutidens »neoantigenbaserede« kræftvacciner er blandt de få lægemidler, der designes beregningsmæssigt til den enkelte patient. En tumorcelle sekventeres for at forudsige, hvilke tumorspecifikke mål der findes på dens overflade. Denne sekventering er dog i sig selv kun et indirekte mål for virkeligheden, fordi det er vanskeligt og dyrt at måle cellens overflademål direkte og desuden undersøge, hvor kraftigt patientens immunsystem reagerer på hvert af disse proteiner.

   UNC vil afdække disse manglende forbindelser på tværs af hundredvis af tumorer og flere kræfttyper. Dermed skabes et af de første trænings- og evalueringsdatasæt på området med afidentificerede offentlige data, som forskere verden over kan bygge videre på.

   »Personligt tilpassede kræftvacciner er endelig begyndt at vise tegn på klinisk effekt, men der er stadig huller, som det med den traditionelle model for behandlingsudvikling kan tage årtier at udfylde. Data af høj kvalitet kan hjælpe os med at lukke disse huller hurtigere,« siger Alex Rubinsteyn, ph.d. og adjunkt i genetik ved UNC School of Medicine. »Vi glæder os til at forkorte tidsforløbet og bidrage til, at bredt effektive, personligt tilpassede immunterapier bliver til virkelighed.«

   

Vores indledende strategi

Vi forventer, at dette afsnit især vil være relevant for forskere, der er interesserede i fremtidige bevillinger fra OpenAI Foundation.

Der findes langt flere videnskabelige data, som det ville være værdifuldt at indsamle, end en enkelt bidragyder kan støtte. Derfor vil vi gerne fortælle forskningsmiljøet mere om de datatyper, hvor vi mener, at støtte fra OpenAI Foundation kan gøre størst gavn.

Vores foreløbige hypoteser er, at vi bør fokusere på sammenhængende data, knappe data og direkte data. De datasæt, vi finansierer, vil normalt have en eller to af disse egenskaber, som beskrives nærmere nedenfor, og i sjældne tilfælde alle tre.

For alle datasæt mener vi, at det bliver stadig vigtigere at gøre data bredt tilgængelige og samtidig beskytte privatlivet, når det gælder patientdata. Det vil give forskere mulighed for at bygge videre på hinandens arbejde og lade videnskabelige fremskridt opstå på uventede steder.

1. Sammenhængende data: Biologien følges gennem flere trin

   Biologien udfolder sig på forskellige skalaer, men de fleste biovidenskabelige datasæt indfanger kun en enkelt del af virkeligheden. Et celleatlas kan måle molekyler i tusindvis af celler, mens billeddannelse af enkeltmolekyler kun følger én celle. Begge perspektiver er værdifulde, men fordi sådanne datasæt normalt oprettes uafhængigt af hinanden, kan det kræve flere års opfølgende arbejde at afgøre, hvordan de videnskabelige resultater hænger sammen. Vi vil støtte de enkelte forskerhold i målrettet at bevæge sig mellem disse skalaer og skabe omfattende, sammenhængende datasæt, hvor de forskellige lag styrker hinanden.

   Vores bevilling til UCSF vil eksempelvis gøre det muligt for OpenADMET-teamet at måle vigtige molekylære egenskaber og interaktioner for titusindvis af forbindelser. Teamet vil derefter forbinde denne brede profilering med to perspektiver på transport af lægemidler: eksperimentelt bestemte strukturer af transportproteiner med udvalgte bundne molekyler og analyser, der måler, hvordan proteinerne funktionelt interagerer med molekylerne. Til sidst vil de teste en delmængde af disse forbindelser i modeller af menneskets blod-hjerne-barriere og sammenligne resultaterne med in vivo-målinger i dyr.

   Denne tilgang til dataindsamling vil give et usædvanligt fuldstændigt billede af, hvad der bestemmer et lægemiddels bevægelse gennem kroppen. Det vil gøre AI-modeller bedre til at forudsige resultater på det niveau, der betyder noget for os mennesker.

2. Knappe data: Bevaring af det, der ikke kan genskabes

   Ingen fremtidig AI kan, uanset hvor avanceret den bliver, gå tilbage og observere biologiske hændelser på bestemte, enestående tidspunkter – såsom dødsårsager og årsager til sygdom i lande uden pålidelig befolkningsstatistik eller indholdet af biologiske prøver fra patienter på tidspunkter, der nu er forbi. Biologien er fuld af sådanne muligheder, der kun opstår én gang, og fremtidens modeludviklere kan finde anvendelser for dette materiale, som forskerne ikke kan forudse i dag. Vi er derfor særligt interesserede i forslag, der indsamler eller bevarer værdifulde data, før muligheden forsvinder, eller gør eksisterende private datasæt, som aldrig kan genskabes, bredt tilgængelige – med respekt for privatliv og individuelt samtykke.

   Vores bevilling til CTD Commons skal eksempelvis undersøge, om dokumentationen fra fejlslagne lægemiddelprogrammer kan reddes, før virksomheder lukker, og dokumenterne forsvinder. På kort sigt kan dokumenterne hjælpe teams, der befinder sig i de tidlige faser af lægemiddeludviklingen, med at forstå myndighedernes krav til lignende produkter frem for at lære gennem dyre forsøg og fejl. På langt sigt kan dokumenterne hjælpe maskinlæringssystemer med at finde mønstre i, hvorfor lægemidler slår fejl eller lykkes. Det kan bane vej for bedre regulering eller forsøgsstrategier, så patienter hurtigere får gavn af nye behandlinger.

3. Direkte data: Måling af de biologiske og kliniske tilstande, der er tættest på det væsentlige

   Gennem en stor del af biologiens historie har man målt det, der var nemt eller billigt at måle. For eksempel data fra enkelte celler frem for kliniske data fra mennesker eller RNA-ekspression frem for proteiner. Disse indirekte mål har været enormt nyttige, men de kan også fjerne sig fra målene om at forstå biologien samt forebygge og behandle sygdomme. I sådanne tilfælde vil vi give forskere de ressourcer, de har brug for til at sammensætte datasæt, der måler det vigtigste. Det kan også være, at de nødvendige instrumenter til at måle den »biologiske sandhed« endnu ikke findes eller er uoverkommeligt dyre at anvende i stor skala. Gennem dette program håber vi at støtte begge initiativer – både nye data og nye værktøjer.

   Vores bevilling til UNC til etablering af Initiative for Generative Immunotherapy vil eksempelvis gøre det muligt for teamet hos UNC Lineberger og UNC Health at frembringe de nødvendige data fra mennesker til at forbedre næste generation af kræftvacciner. Det betyder, at man måler tumorcellernes overfladeproteiner direkte samt patienternes T-cellerespons frem for »kun« at sekventere tumoren. Disse data er dyre at frembringe. Ved at gøre det omfattende denne gang og offentliggøre resultaterne håber vi, at alle fremtidige initiativer inden for kræftvacciner kan få gavn af dem. Hvis projektet lykkes, vil fremtidige vaccinekandidater især kunne gå videre til dosering hos mennesker med et stærkere udvalg af mål. Det bør øge sandsynligheden for, at de virker, og give os mere viden, når de ikke gør.

Sådan sikrer vi, at data er tilgængelige for forskere

Endelig sikrer vi på tværs af alle vores bevillinger, at de resulterende datasæt bliver så tilgængelige som muligt for forskere verden over.

Gennem en stor del af videnskabens historie har afprøvning af hypoteser været en væsentlig flaskehals for nye opdagelser. Der var kun en begrænset mængde »intelligens« at sætte ind på problemerne – et fast antal ph.d.-studerende og forskere, som genererede og analyserede data om et problem. AI's fortsatte fremskridt inden for programmering og dataanalyse bryder med denne antagelse. Dataanalyse kan blive langt mere skalerbar, og ny indsigt kan opstå gennem samarbejder, som er svære at forudse, når dataene genereres.

Vores mission er at sikre, at kunstig generel intelligens kommer hele menneskeheden til gode. Videnskabelige data, der skabes med vores støtte, bør stilles bredt til rådighed, samtidig med at den enkeltes privatliv og samtykke respekteres, når der indgår data fra mennesker. Tilgængelighed handler dog om mere end blot at frigive rådata. Vi opfordrer bevillingsmodtagere til at offentliggøre deres analyser som preprints, dele data løbende frem for kun til sidst og – hvis deres data ikke er »sammenhængende« – samarbejde med brugerne om at vurdere dataenes nytteværdi i biologisk relevante problemstillinger.

Løbende læring

Dette indlæg beskriver vores indledende tilgang til Offentlige data til sundhed. Vi opdaterer løbende vores synspunkter i takt med videnskabens og AI's udvikling og gennem samtaler med andre i forskningsmiljøet.

Hvis du har idéer til Offentlige data til sundhed, er du velkommen til at kontakte os på [email protected]⁠. Du kan tilmelde dig vores nyhedsbrev her⁠ og få fremtidige opdateringer om vores programmer og finansiering.

Hvis du gerne vil arbejde på fuld tid med problemstillinger som dem, der beskrives i dette indlæg, søger vi i øjeblikket medarbejdere til fire ledige stillinger⁠ i teamet for biovidenskab og helbredelse af sygdomme.