Public Data for Health

Im April haben wir AI for Alzheimer’s ins Leben gerufen⁠, das erste Programm der OpenAI Foundation im Bereich Biowissenschaften und Heilung von Krankheiten. Heute stellen wir unser zweites Wissenschaftsprogramm vor: Public Data for Health.

Mit AI for Alzheimer’s konzentrieren wir uns auf eine Krankheit, die viele Familien betrifft und bei der KI Forschenden unserer Einschätzung nach helfen kann, bessere Behandlungen zu entwickeln. Public Data for Health soll Fortschritte in den Biowissenschaften und bei vielen Krankheiten ermöglichen. Dazu finanzieren wir die Erstellung und Sicherung hochwertiger wissenschaftlicher Datensätze, die Forschenden umfassend zugänglich gemacht werden.

Wissenschaftliche Daten sind Beobachtungen unserer Umwelt und bilden die Grundlage für Forschung und Entdeckungen. In Bereichen, in denen sich Durchbrüche ohne die Erhebung neuer Daten überprüfen lassen, etwa in Teilen der Mathematik, tragen KI-Systeme seit Kurzem zu neuen⁠ wissenschaftlichen⁠ Erkenntnissen⁠ bei. In der Biologie können KI-Systeme biologische Informationen zunehmend in großem Umfang analysieren und selbst aus unvollständigen Belegen verborgene Strukturen erschließen, teilweise mit erstaunlicher Effizienz.

Viele der noch ausstehenden Durchbrüche bei der Prävention und Behandlung von Krankheiten werden unserer Einschätzung nach jedoch daraus entstehen, dass die Intelligenz neuer Modelle mit mehr Beobachtungen der Welt kombiniert wird, also mit mehr Daten.

Manche Datensätze von enormem öffentlichem Wert werden möglicherweise nie erstellt oder geteilt, weil keine einzelne Institution genügend Anreize oder Kapazitäten hat, sie zu finanzieren. Die Förderung öffentlicher Gesundheitsdaten passt daher sehr gut zur OpenAI Foundation.

Unsere ersten Fördermittel

Zum Auftakt stellen wir einer ersten Gruppe gemeinnütziger Organisationen und Universitäten Fördermittel von mehr als 125 Millionen US-Dollar bereit. Die Projekte decken viele Datenebenen ab, von Molekülen über Epidemiologie bis zu regulatorischem Wissen.

Hier sind einige Beispiele für die von uns geförderten Projekte:

1. OpenADMET⁠ wird offene Datensätze, Benchmarks und verblindete Wettbewerbe erstellen. Damit soll geprüft werden, ob KI-Modelle vorhersagen können, wie kleine Moleküle im Körper aufgenommen und verteilt werden. So soll die Arzneimittelentwicklung berechenbarer werden und die Misserfolgsquote neuer Medikamente sinken.

   90 % der Arzneimittelkandidaten scheitern in klinischen Studien⁠. Das liegt häufig daran, dass sich nur schwer vorhersagen lässt, wie sie aufgenommen werden und sich im Körper verteilen, also an ihren „ADMET-Eigenschaften“⁠. Solche ungelösten Vorhersageprobleme können sich gut für KI eignen, wenn hochwertige Daten eine verlässliche Grundlage bieten, um die Genauigkeit der Vorhersagen verschiedener Modelle zu beurteilen. AlphaFold2 hat beispielsweise die Vorhersage von Proteinstrukturen mithilfe von Daten aus der Protein Data Bank⁠ grundlegend verändert. Dies geschah in einem von CASP⁠ veranstalteten Wettbewerb mit anderen Modellierungsansätzen. Die Vorhersage von Proteinstrukturen ist inzwischen Bestandteil vieler Programme zur Arzneimittelforschung, die Patient:innen voraussichtlich zugutekommen werden.

   Um die ADMET-Eigenschaften von Arzneimittelkandidaten besser vorherzusagen, wird das OpenADMET-Team hochwertige Datensätze als Grundlage für neue Vorhersagemodelle entwickeln und offene Wettbewerbe veranstalten, an denen Forschende weltweit teilnehmen können.

   

   „Die Arzneimittelforschung ist voller allgemeiner Probleme, die kein einzelnes Unternehmen und kein akademisches Labor mit Interesse an der Heilung einer bestimmten Krankheit allein lösen kann“, sagte James Fraser, PhD, Mitglied des Governing Board von OpenADMET sowie Professor und Chair of Bioengineering and Therapeutic Sciences an der UCSF. „OpenADMET wurde geschaffen, um diese Probleme offen und für maschinelles Lernen nutzbar anzugehen. Wir freuen uns, die grundlegende Ebene aufbauen zu können, mit der KI die Entwicklung neuer Behandlungen erheblich beschleunigen kann.“

2. CTD Commons⁠ wird regulatorisches Wissen aus gescheiterten Arzneimittelentwicklungsprogrammen sichern und veröffentlichen. Künftige Teams können so aus Erfahrungen lernen, die normalerweise unzugänglich bleiben, und wirksame Behandlungen schneller erschließen.

   Ein CTD, kurz für Common Technical Document, dokumentiert den gesamten Weg eines Prüfpräparats, von der Tiertoxikologie über Einzelheiten zur Herstellung bis hin zur möglicherweise besonders nützlichen Korrespondenz mit der FDA. Doch nur ein kleiner Teil dieser Arbeit erscheint in veröffentlichten Fachartikeln.

   CTD Commons wird prüfen, ob CTDs aus gescheiterten oder eingestellten Arzneimittelprogrammen beschafft und für Forschung und Analyse frei zugänglich gemacht werden können.

   „Jede Einreichung bei der FDA steht für harte Arbeit und Opfer von Forschenden, Prüfenden und Studienteilnehmenden. Selbst wenn diese Bemühungen scheitern, sollten die daraus gewonnenen wertvollen Informationen nicht verloren gehen“, so Josh Morrison, leitender Organisator von CTD Commons und President of 1Day Sooner. „CTD Commons wird Doppelarbeit und Kosten reduzieren und die Wirkung klinischer Forschung maximieren.“

3. UNC⁠ wird die Initiative for Generative Immunotherapy gründen und öffentliche, multimodale Daten erstellen. Das soll zu einer Zukunft beitragen, in der Menschen nach einer Krebsdiagnose schnell einen personalisierten Krebsimpfstoff erhalten können.

   Die heutigen „Neoantigen“-Krebsimpfstoffe gehören zu den wenigen Medikamenten, die für jede Person individuell computergestützt entwickelt werden. Dazu wird eine Tumorzelle sequenziert, um vorherzusagen, welche tumorspezifischen Zielstrukturen sie auf ihrer Oberfläche präsentiert. Diese Sequenzierung bildet die Realität jedoch nur indirekt ab. Es ist schwierig und teuer, die Zielstrukturen auf der Zelloberfläche direkt zu messen und zudem zu prüfen, wie stark das Immunsystem einer Person auf jedes dieser Proteine reagiert.

   UNC wird diese fehlenden Zusammenhänge bei Hunderten Tumoren und mehreren Krebsarten untersuchen. So entsteht einer der ersten Trainings- und Evaluierungsdatensätze dieses Bereichs mit anonymisierten öffentlichen Daten, auf denen Forschende weltweit aufbauen können.

   „Personalisierte Krebsimpfstoffe zeigen endlich erste Anzeichen klinischer Wirksamkeit. Es bestehen jedoch weiterhin Lücken, deren Schließung nach dem herkömmlichen Modell der Therapieentwicklung Jahrzehnte dauern könnte. Hochwertige Daten können uns helfen, diese Lücken schneller zu schließen“, sagte Alex Rubinsteyn, PhD, Assistant Professor of Genetics, UNC School of Medicine. „Wir freuen uns darauf, diesen Zeitraum zu verkürzen und allgemein wirksame personalisierte Immuntherapien Wirklichkeit werden zu lassen.“

   

Unsere anfängliche Strategie

Dieser Abschnitt dürfte besonders für Forschende relevant sein, die an künftigen Fördermöglichkeiten der OpenAI Foundation interessiert sind.

Es gibt erheblich mehr wissenschaftliche Daten, deren Erhebung wertvoll wäre, als eine einzelne Förderorganisation unterstützen kann. Deshalb möchten wir der Forschungsgemeinschaft genauer erläutern, bei welchen Daten die Unterstützung der OpenAI Foundation unserer Einschätzung nach am meisten bewirken kann.

Unsere Ausgangshypothesen für besonders relevante Daten lauten: verknüpfte Daten, knappe Daten und direkte Daten. Von uns finanzierte Datensätze werden in der Regel eine oder zwei dieser unten näher beschriebenen Eigenschaften aufweisen. In seltenen Fällen besitzen sie alle drei.

Bei allen Datensätzen wird es unserer Einschätzung nach immer wichtiger, Daten umfassend zugänglich zu machen und zugleich den Datenschutz zu gewährleisten, wenn Patientendaten betroffen sind. So können Forschende auf der Arbeit anderer aufbauen, und wissenschaftlicher Fortschritt kann an unerwarteten Orten entstehen.

1. Verknüpfte Daten: Biologie über mehrere Schritte hinweg verfolgen

   Biologische Vorgänge spielen sich auf unterschiedlichen Ebenen ab, doch die meisten biowissenschaftlichen Datensätze erfassen nur einen Ausschnitt der Realität. Ein Zellatlas kann Moleküle in Tausenden Zellen messen, während die Einzelmolekülbildgebung nur eine Zelle verfolgt. Beide Perspektiven sind wertvoll. Da solche Datensätze jedoch meist unabhängig voneinander entstehen, kann es Jahre weiterer Forschung erfordern, die wissenschaftlichen Ergebnisse miteinander in Beziehung zu setzen. Wir möchten einzelne Forschungsteams dabei unterstützen, gezielt zwischen diesen Ebenen zu wechseln und umfangreiche, verknüpfte Datensätze zu erstellen, deren verschiedene Schichten sich gegenseitig ergänzen.

   Unsere Förderung für UCSF wird es dem OpenADMET-Team beispielsweise ermöglichen, wichtige molekulare Eigenschaften und Wechselwirkungen von Zehntausenden Verbindungen zu messen. Anschließend wird das Team dieses breite Profiling mit zwei Perspektiven auf den Arzneimitteltransport verknüpfen: experimentell bestimmte Strukturen von Transportproteinen mit ausgewählten gebundenen Molekülen sowie Tests, die messen, wie diese Proteine funktionell mit den Molekülen interagieren. Abschließend wird das Team eine Auswahl dieser Verbindungen in Modellen der menschlichen Blut-Hirn-Schranke testen und die Ergebnisse mit In-vivo-Messungen an Tieren vergleichen.

   Diese Art der Datenerhebung wird ein ungewöhnlich vollständiges Bild davon liefern, was die Bewegung eines Arzneimittels durch den Körper bestimmt. Damit werden bessere Vorhersagen durch KI-Modelle auf der für Menschen relevanten Ebene möglich.

2. Knappe Daten: Unwiederbringliches sichern

   Keine künftige KI kann, unabhängig von ihren Fähigkeiten, in die Vergangenheit zurückkehren und biologische Ereignisse beobachten, die zu einem bestimmten, einzigartigen Zeitpunkt stattfanden. Dazu zählen Todes- und Krankheitsursachen in Ländern ohne verlässliche Bevölkerungsstatistik oder der Inhalt biologischer Proben von Patient:innen zu inzwischen vergangenen Zeitpunkten. Die Biologie ist voller solcher unumkehrbaren Situationen. Menschen, die künftig Modelle entwickeln, könnten für diese Belege Verwendungsmöglichkeiten finden, die Forschende heute noch nicht absehen können. Wir interessieren uns daher besonders für Vorschläge, die wertvolle Daten erheben oder sichern, bevor die Gelegenheit verstreicht. Ebenso relevant sind Vorschläge, die bestehende private und nicht reproduzierbare Datensätze umfassend zugänglich machen und dabei Datenschutz und individuelle Einwilligung achten.

   Unsere Förderung für CTD Commons wird beispielsweise untersuchen, ob sich die Unterlagen gescheiterter Arzneimittelentwicklungsprogramme sichern lassen, bevor Unternehmen schließen und die Unterlagen verschwinden. Kurzfristig können diese Dokumente Teams in der frühen Arzneimittelentwicklung helfen zu verstehen, welche Anforderungen Behörden an ähnliche Produkte gestellt haben, statt dies durch kostspieliges Ausprobieren lernen zu müssen. Langfristig könnten die Dokumente Systemen für maschinelles Lernen als Ressource dienen, um Muster für das Scheitern oder den Erfolg von Arzneimitteln zu erkennen. Daraus könnten bessere regulatorische Verfahren oder Studienstrategien entstehen, sodass Patient:innen früher von neuen Behandlungen profitieren.

3. Direkte Daten: Biologische und klinische Zustände möglichst nah am Wesentlichen messen

   Über weite Teile ihrer Geschichte hat die Biologie vor allem gemessen, was sich einfach oder kostengünstig messen ließ. Beispielsweise wurden eher Daten einzelner Zellen als klinische Daten von Menschen oder eher die RNA-Expression als Proteine gemessen. Diese indirekten Messgrößen waren enorm nützlich. Sie können sich jedoch auch von den Zielen lösen, biologische Vorgänge zu verstehen sowie Krankheiten zu verhindern und zu behandeln. In solchen Fällen möchten wir Forschenden die nötigen Ressourcen geben, um Datensätze zusammenzustellen, die das Wesentliche messen. Möglicherweise gibt es die nötigen Instrumente zur Messung der „biologischen Realität“ noch nicht, oder ihr großflächiger Einsatz ist unerschwinglich. Im Rahmen dieses Programms möchten wir beide Arten von Initiativen unterstützen: neue Daten und neue Werkzeuge.

   Unsere Förderung für UNC zur Gründung der Initiative for Generative Immunotherapy wird es dem Team von UNC Lineberger und UNC Health beispielsweise ermöglichen, die notwendigen Daten von Menschen zu erheben, um die nächste Generation von Krebsimpfstoffen zu verbessern. Dazu werden die Oberflächenproteine von Tumorzellen direkt und ebenso die T-Zell-Reaktionen der Betroffenen gemessen, statt „nur“ den Tumor zu sequenzieren. Die Erstellung dieser Daten ist teuer. Indem wir sie jetzt umfassend erheben und die Ergebnisse offen zugänglich machen, möchten wir erreichen, dass alle künftigen Projekte zu Krebsimpfstoffen davon profitieren können. Wenn dieses Projekt erfolgreich ist, könnten insbesondere künftige Impfstoffkandidaten mit einer fundierteren Auswahl an Zielstrukturen in die Erprobung am Menschen gehen. Das sollte ihre Erfolgsaussichten verbessern und den Erkenntnisgewinn erhöhen, wenn sie nicht wirken.

Daten für Forschende zugänglich machen

Bei all unseren Förderungen stellen wir schließlich sicher, dass die entstehenden Datensätze Forschenden weltweit so umfassend wie möglich zugänglich sind.

Über weite Teile der Wissenschaftsgeschichte war das Prüfen von Hypothesen ein zentrales Hindernis für Entdeckungen. Für die Bearbeitung von Problemen stand nur begrenzt „Intelligenz“ zur Verfügung: eine bestimmte Zahl von Promovierenden und erfahrenen Forschenden, die zu einem Problem Daten erhoben und analysierten. Die fortlaufenden Fortschritte der KI beim Programmieren und bei der Datenanalyse stellen diese Annahme infrage. Die Datenanalyse könnte sich in erheblich größerem Umfang skalieren lassen. Erkenntnisse könnten aus Kooperationen entstehen, die zum Zeitpunkt der Datenerhebung kaum vorhersehbar sind.

Unsere Mission ist es, dafür zu sorgen, dass künstliche allgemeine Intelligenz der gesamten Menschheit zugutekommt. Wissenschaftliche Daten, die mit unserer Unterstützung erstellt werden, sollten umfassend zugänglich gemacht werden. Wenn Daten von Menschen betroffen sind, müssen dabei Privatsphäre und Einwilligung gewahrt bleiben. Zugänglichkeit umfasst jedoch mehr als die bloße Veröffentlichung der Rohdaten. Wir ermutigen Geförderte, ihre Analysen als Preprints zu veröffentlichen und Daten regelmäßig statt erst zum Abschluss zu teilen. Sind die Daten nicht „verknüpft“, sollten sie außerdem gemeinsam mit den Personen, die diese Daten nutzen, deren Nutzen für biologisch relevante Fragestellungen bewerten.

Iteratives Lernen

Dieser Beitrag beschreibt unsere anfängliche Ausrichtung für Public Data for Health. Wir aktualisieren unsere Einschätzungen laufend auf Grundlage wissenschaftlicher und KI-bezogener Fortschritte sowie im Austausch mit anderen aus der Forschungsgemeinschaft.

Wenn du Ideen für Public Data for Health hast, schreib uns gerne an [email protected]⁠. Du kannst unseren Newsletter hier abonnieren⁠, um künftig Neuigkeiten über unsere Programme und Förderangebote zu erhalten.

Wenn du dich beruflich mit Problemen wie den in diesem Beitrag behandelten beschäftigen möchtest, möchten wir derzeit vier offene Stellen⁠ im Team Life Sciences and Curing Diseases besetzen.