Δημόσια δεδομένα για την υγεία

Τον Απρίλιο, ξεκινήσαμε⁠ το πρόγραμμα ΤΝ για το Αλτσχάιμερ, το πρώτο πρόγραμμα του OpenAI Foundation στον τομέα των Βιοεπιστημών και της Θεραπείας ασθενειών. Σήμερα παρουσιάζουμε το δεύτερο επιστημονικό πρόγραμμά μας: Δημόσια δεδομένα για την υγεία.

Με το πρόγραμμα ΤΝ για το Αλτσχάιμερ επικεντρωνόμαστε σε μία ασθένεια που επηρεάζει πολλές οικογένειες και στην οποία πιστεύουμε ότι η τεχνητή νοημοσύνη μπορεί να βοηθήσει τους επιστήμονες να αναπτύξουν καλύτερες θεραπείες. Με το πρόγραμμα Δημόσια δεδομένα για την υγεία επιδιώκουμε να προωθήσουμε την πρόοδο στις βιοεπιστήμες και σε πολλές ασθένειες, χρηματοδοτώντας τη δημιουργία και τη διατήρηση επιστημονικών συνόλων δεδομένων υψηλής ποιότητας, ευρέως διαθέσιμων στους ερευνητές.

Τα επιστημονικά δεδομένα είναι παρατηρήσεις για τον κόσμο γύρω μας και αποτελούν τη θεμελιώδη πρώτη ύλη της έρευνας και της ανακάλυψης. Σε πεδία όπου οι ανακαλύψεις μπορούν να επαληθευτούν χωρίς τη συλλογή νέων δεδομένων, όπως σε ορισμένους κλάδους των μαθηματικών, τα συστήματα τεχνητής νοημοσύνης έχουν αρχίσει πρόσφατα να συμβάλλουν⁠ στην παραγωγή νέας⁠ γνώσης⁠. Στη βιολογία, εν τω μεταξύ, τα συστήματα τεχνητής νοημοσύνης μπορούν ολοένα και περισσότερο να αναλύουν βιολογικές πληροφορίες σε μεγάλη κλίμακα και να ανακαλύπτουν κρυμμένες δομές ακόμη και από ελλιπή στοιχεία, μερικές φορές με εντυπωσιακή αποδοτικότητα.

Ωστόσο, αναμένουμε ότι πολλές από τις ανακαλύψεις που απομένουν για την πρόληψη και τη θεραπεία ασθενειών θα προκύψουν από τον συνδυασμό του επιπέδου ευφυΐας των νέων μοντέλων με περισσότερες παρατηρήσεις του κόσμου — με άλλα λόγια, με περισσότερα δεδομένα.

Ορισμένα σύνολα δεδομένων με τεράστια δημόσια αξία ίσως να μη δημιουργηθούν ή να μη διατεθούν ποτέ, επειδή κανένας μεμονωμένος φορέας δεν έχει επαρκές κίνητρο ή δυνατότητα να τα χρηματοδοτήσει. Γι’ αυτό, η υποστήριξη δημόσιων δεδομένων για την υγεία ταιριάζει απόλυτα στον σκοπό του OpenAI Foundation.

Οι πρώτες επιχορηγήσεις μας

Ξεκινάμε διαθέτοντας πάνω από 125 εκατομμύρια δολάρια σε επιχορηγήσεις σε μια πρώτη ομάδα μη κερδοσκοπικών οργανισμών και πανεπιστημίων, καλύπτοντας πολλά επίπεδα δεδομένων: από τα μόρια και την επιδημιολογία έως τη γνώση για κανονιστικά θέματα.

Ακολουθούν μερικά παραδείγματα έργων που υποστηρίζουμε:

1. Το OpenADMET⁠ θα δημιουργήσει ανοικτά σύνολα δεδομένων, σημεία αναφοράς και τυφλούς διαγωνισμούς, ώστε να εξεταστεί κατά πόσο τα μοντέλα τεχνητής νοημοσύνης μπορούν να εκπαιδευτούν να προβλέπουν πώς απορροφώνται και κατανέμονται τα μικρά μόρια στο σώμα, καθιστώντας την ανάπτυξη φαρμάκων πιο προβλέψιμη και μειώνοντας το ποσοστό αποτυχίας νέων φαρμάκων.

   Το 90% των υποψήφιων φαρμάκων αποτυγχάνει στις κλινικές δοκιμές⁠. Αυτό οφείλεται συχνά στη δυσκολία πρόβλεψης του τρόπου με τον οποίον απορροφώνται και κινούνται μέσα στον οργανισμό — των ιδιοτήτων «ADMET»⁠. Άλυτες προκλήσεις πρόβλεψης όπως αυτή προσφέρονται για την αξιοποίηση της τεχνητής νοημοσύνης, όταν συνδυάζονται με δεδομένα υψηλής ποιότητας που επιτρέπουν την τεκμηρίωση της ακρίβειας των προβλέψεων διαφορετικών μοντέλων. Για παράδειγμα, το AlphaFold2 μεταμόρφωσε την πρόβλεψη της δομής των πρωτεϊνών χρησιμοποιώντας δεδομένα από την Τράπεζα Δεδομένων Πρωτεϊνών⁠, σε έναν διαγωνισμό που διοργάνωσε το CASP⁠ έναντι άλλων προσεγγίσεων μοντελοποίησης. Η πρόβλεψη της δομής των πρωτεϊνών έχει πλέον ενσωματωθεί σε πολλά προγράμματα ανακάλυψης φαρμάκων, τα οποία πιθανότατα θα ωφελήσουν τους ασθενείς.

   Για καλύτερη πρόβλεψη των ιδιοτήτων ADMET των υποψήφιων φαρμάκων, η ομάδα του OpenADMET θα αναπτύξει σύνολα δεδομένων υψηλής ποιότητας για την τεκμηρίωση νέων μοντέλων πρόβλεψης και θα διοργανώσει ανοικτές προκλήσεις στις οποίες θα μπορούν να συμμετάσχουν ερευνητές από όλο τον κόσμο.

   

   «Η ανακάλυψη φαρμάκων είναι γεμάτη οικουμενικά προβλήματα, τα οποία καμία μεμονωμένη εταιρεία ή ακαδημαϊκό εργαστήριο που ενδιαφέρεται για τη θεραπεία μιας συγκεκριμένης ασθένειας δεν μπορεί να επιλύσει μόνο του», δήλωσε ο James Fraser, PhD, μέλος του Διοικητικού Συμβουλίου του OpenADMET, καθηγητής και πρόεδρος του Τμήματος Βιομηχανικής και Θεραπευτικών Επιστημών στο UCSF. «Το OpenADMET δημιουργήθηκε για να αντιμετωπίσει αυτά τα προβλήματα με ανοικτό τρόπο και σε μορφή έτοιμη για μηχανική μάθηση. Είμαστε ενθουσιασμένοι που μπορούμε να δημιουργήσουμε το θεμελιώδες επίπεδο που θα επιτρέψει στην ΤΝ να επιταχύνει σημαντικά την ανάπτυξη νέων θεραπειών».

2. Το CTD Commons⁠ θα διατηρήσει και θα δημοσιεύσει κανονιστική γνώση από αποτυχημένα προγράμματα ανάπτυξης φαρμάκων, ώστε οι μελλοντικές ομάδες να μπορούν να διδαχθούν από προηγούμενα δεδομένα που συνήθως παραμένουν απρόσιτα και να συμβάλουν στην ταχύτερη ανακάλυψη αποτελεσματικών θεραπειών για τους ασθενείς.

   Το CTD, ή Κοινό Τεχνικό Έγγραφο, αποτελεί έγγραφο που συγκεντρώνει ολόκληρη την πορεία ενός υπό έρευνα φαρμάκου — από την τοξικολογία σε ζώα και τις λεπτομέρειες παρασκευής έως, ίσως το χρησιμότερο, την αλληλογραφία με τον FDA. Ωστόσο, μόνο ένα μικρό μέρος αυτής της εργασίας εμφανίζεται σε δημοσιευμένες μελέτες.

   Το CTD Commons θα διερευνήσει τη δυνατότητα απόκτησης CTD από αποτυχημένα προγράμματα ανάπτυξης φαρμάκων ή προγράμματα ανάπτυξης φαρμάκων που έχουν αποσυρθεί και θα τα καταστήσει ανοικτά διαθέσιμα σε όλους για έρευνα και ανάλυση.

   «Κάθε υποβολή στον FDA αντιπροσωπεύει τη σκληρή δουλειά και τις θυσίες ερευνητών, αξιολογητών και συμμετεχόντων σε μελέτες. Ακόμη και όταν αυτές οι προσπάθειες αποτυγχάνουν, οι πολύτιμες πληροφορίες που παράγουν δεν πρέπει να πηγαίνουν χαμένες», σύμφωνα με τον Josh Morrison, επικεφαλής διοργανωτή του CTD Commons και πρόεδρο του 1Day Sooner. «Το CTD Commons θα περιορίσει τις επαναλήψεις και το κόστος, μεγιστοποιώντας τον αντίκτυπο της κλινικής έρευνας».

3. Το UNC⁠ θα ιδρύσει την Πρωτοβουλία για την Παραγωγική Ανοσοθεραπεία, δημιουργώντας δημόσια, πολυτροπικά δεδομένα, με στόχο ένα μέλλον όπου οι ασθενείς με καρκίνο θα μπορούν, αμέσως μετά τη διάγνωση, να λαμβάνουν γρήγορα εξατομικευμένα αντικαρκινικά εμβόλια.

   Τα σημερινά αντικαρκινικά εμβόλια «νεοαντιγόνων» είναι από τα λίγα φάρμακα που σχεδιάζονται υπολογιστικά για κάθε ασθενή, μέσω της αλληλούχησης ενός καρκινικού κυττάρου ώστε να προβλεφθεί ποιοι ειδικοί στόχοι του όγκου εμφανίζονται στην επιφάνειά του. Όμως αυτή η αλληλούχηση αποτελεί και η ίδια μια έμμεση προσέγγιση της πραγματικότητας, επειδή είναι δύσκολο και δαπανηρό να μετρηθούν άμεσα οι στόχοι στην επιφάνεια του κυττάρου και, επιπλέον, να ελεγχθεί πόσο έντονα αντιδρά το ανοσοποιητικό σύστημα του ασθενούς σε καθεμία από αυτές τις πρωτεΐνες.

   Το UNC θα καλύψει αυτά τα κενά σε εκατοντάδες όγκους και πολλούς διαφορετικούς τύπους καρκίνου, δημιουργώντας ένα από τα πρώτα σύνολα δεδομένων εκπαίδευσης και αξιολόγησης στον τομέα, με αποταυτοποιημένα δημόσια δεδομένα που θα μπορούν να αξιοποιήσουν ερευνητές από όλο τον κόσμο.

   «Τα εξατομικευμένα αντικαρκινικά εμβόλια αρχίζουν επιτέλους να εμφανίζουν ενδείξεις κλινικής αποτελεσματικότητας, όμως εξακολουθούν να υπάρχουν κενά που, με το παραδοσιακό μοντέλο ανάπτυξης θεραπειών, ίσως χρειαστούν δεκαετίες για να καλυφθούν. Τα δεδομένα υψηλής ποιότητας μπορούν να μας βοηθήσουν να καλύψουμε αυτά τα κενά γρηγορότερα», δήλωσε ο Alex Rubinsteyn, PhD, επίκουρος καθηγητής Γενετικής στην Ιατρική Σχολή του UNC. «Είμαστε ενθουσιασμένοι που μπορούμε να επισπεύσουμε αυτή τη διαδικασία και να συμβάλουμε ώστε οι ευρέως αποτελεσματικές εξατομικευμένες ανοσοθεραπείες να γίνουν πραγματικότητα».

   

Η αρχική στρατηγική μας

Πιστεύουμε ότι αυτή η ενότητα ενδιαφέρει ιδιαίτερα τους ερευνητές που εξετάζουν μελλοντικές ευκαιρίες επιχορήγησης από το OpenAI Foundation.

Υπάρχουν πολλά περισσότερα επιστημονικά δεδομένα που θα άξιζε να συλλεχθούν από όσα μπορεί να υποστηρίξει ένας μόνο χρηματοδότης. Θέλαμε, λοιπόν, να μοιραστούμε εδώ με την ερευνητική κοινότητα περισσότερες πληροφορίες σχετικά με τους τύπους δεδομένων για τους οποίους θεωρούμε ότι η υποστήριξη του OpenAI Foundation μπορεί να αποδειχθεί πιο χρήσιμη.

Οι αρχικές υποθέσεις μας για τα δεδομένα στα οποία πρέπει να εστιάσουμε είναι: συνδεδεμένα δεδομένα, σπάνια δεδομένα και άμεσα δεδομένα. Τα σύνολα δεδομένων που χρηματοδοτούμε θα έχουν συνήθως μία ή δύο από αυτές τις ιδιότητες, οι οποίες περιγράφονται αναλυτικότερα παρακάτω, ενώ σε σπάνιες περιπτώσεις θα έχουν και τις τρεις.

Για όλα τα σύνολα δεδομένων, πιστεύουμε ότι θα είναι ολοένα σημαντικότερο να καθίστανται ευρέως προσβάσιμα, με παράλληλη διασφάλιση της ιδιωτικότητας όταν αφορούν δεδομένα ασθενών, . Έτσι, οι ερευνητές θα μπορούν να αξιοποιούν ο ένας το έργο του άλλου και η επιστημονική πρόοδος να προκύπτει από απρόσμενες πηγές.

1. Συνδεδεμένα δεδομένα: Παρακολουθώντας τη βιολογία σε πολλαπλά στάδια

   Η βιολογία εκτυλίσσεται σε διαφορετικές κλίμακες, ωστόσο τα περισσότερα σύνολα δεδομένων βιοεπιστημών αποτυπώνουν μόνο ένα μέρος της πραγματικότητας. Ένας κυτταρικός άτλαντας μπορεί να μετρά μόρια σε χιλιάδες κύτταρα, ενώ η απεικόνιση μεμονωμένων μορίων παρακολουθεί μόνο ένα κύτταρο. Και οι δύο οπτικές είναι πολύτιμες, αλλά επειδή αυτά τα σύνολα δεδομένων δημιουργούνται συνήθως ανεξάρτητα, μπορεί να χρειαστούν χρόνια περαιτέρω έρευνας για να προσδιοριστεί πώς συνδέονται μεταξύ τους τα επιστημονικά αποτελέσματα. Θέλουμε να υποστηρίξουμε μεμονωμένες ερευνητικές ομάδες ώστε να κινούνται μεθοδικά μεταξύ αυτών των κλιμάκων και να δημιουργούν πλούσια, συνδεδεμένα σύνολα δεδομένων, των οποίων τα διαφορετικά επίπεδα αλληλοενισχύονται.

   Για παράδειγμα, η επιχορήγησή μας προς το UCSF θα επιτρέψει στην ομάδα OpenADMET να μετρήσει βασικές μοριακές ιδιότητες και αλληλεπιδράσεις για δεκάδες χιλιάδες ενώσεις. Στη συνέχεια, η ομάδα θα συνδέσει αυτή την ευρεία καταγραφή με δύο οπτικές της μεταφοράς φαρμάκων: πειραματικά προσδιορισμένες δομές πρωτεϊνών-μεταφορέων με επιλεγμένα δεσμευμένα μόρια και δοκιμασίες που μετρούν πώς αλληλεπιδρούν λειτουργικά αυτές οι πρωτεΐνες με τα μόρια. Τέλος, θα δοκιμάσει ένα υποσύνολο αυτών των ενώσεων σε μοντέλα του ανθρώπινου αιματοεγκεφαλικού φραγμού, συγκρίνοντας τα αποτελέσματα με μετρήσεις in vivo σε ζώα.

   Αυτή η προσέγγιση στη συλλογή δεδομένων θα δημιουργήσει μια ασυνήθιστα ολοκληρωμένη εικόνα των παραγόντων που καθορίζουν την κίνηση ενός φαρμάκου μέσα στον οργανισμό, επιτρέποντας καλύτερες προβλέψεις από μοντέλα τεχνητής νοημοσύνης στο επίπεδο που ενδιαφέρει τους ανθρώπους.

2. Σπάνια δεδομένα: Διασώζοντας όσα δεν μπορούν να αναδημιουργηθούν

   Καμία μελλοντική ΤΝ, όσο ικανή κι αν είναι, δεν θα μπορεί να επιστρέψει στο παρελθόν και να παρατηρήσει βιολογικά συμβάντα που συνέβησαν σε συγκεκριμένες, μοναδικές χρονικές στιγμές — όπως τα αίτια θανάτου και κακής υγείας σε χώρες χωρίς αξιόπιστα δημογραφικά στοιχεία ή το περιεχόμενο βιολογικών δειγμάτων ασθενών σε συγκεκριμένες στιγμές που έχουν παρέλθει. Η βιολογία είναι γεμάτη από τέτοιες μη αναστρέψιμες καταστάσεις και οι μελλοντικοί δημιουργοί μοντέλων ενδέχεται να βρουν χρήσεις για αυτά τα στοιχεία που οι σημερινοί ερευνητές δεν μπορούν να προβλέψουν. Γι’ αυτό ενδιαφερόμαστε ιδιαίτερα για προτάσεις που συλλέγουν ή διατηρούν πολύτιμα δεδομένα προτού χαθεί η ευκαιρία ή καθιστούν ευρέως διαθέσιμα υπάρχοντα ιδιωτικά σύνολα δεδομένων που δεν θα αναδημιουργηθούν ποτέ, με σεβασμό στην ιδιωτικότητα και την ατομική συναίνεση.

   Για παράδειγμα, η επιχορήγησή μας προς το CTD Commons θα διερευνήσει κατά πόσο μπορούν να διασωθούν τα αρχεία αποτυχημένων προγραμμάτων ανάπτυξης φαρμάκων προτού κλείσουν οι εταιρείες και χαθούν τα αρχεία. Βραχυπρόθεσμα, αυτά τα έγγραφα μπορούν να βοηθήσουν ομάδες που βρίσκονται στα πρώτα στάδια ανάπτυξης φαρμάκων να κατανοήσουν τι έχουν απαιτήσει οι ρυθμιστικές αρχές από παρόμοια προϊόντα, αντί να μαθαίνουν μέσα από δαπανηρές δοκιμές και λάθη. Μακροπρόθεσμα, τα έγγραφα μπορούν να αποτελέσουν πόρο για συστήματα μηχανικής μάθησης, ώστε να εντοπίζουν μοτίβα στους λόγους αποτυχίας ή επιτυχίας των φαρμάκων και να συμβάλλουν σε βελτιώσεις των κανονιστικών διαδικασιών ή των στρατηγικών δοκιμών, επιτρέποντας στους ασθενείς να ωφελούνται νωρίτερα από νέες θεραπείες.

3. Άμεσα δεδομένα: Μέτρηση των βιολογικών και κλινικών καταστάσεων που προσεγγίζουν περισσότερο όσα έχουν σημασία

   Στο μεγαλύτερο μέρος της ιστορίας της, η βιολογία μετρούσε ό,τι ήταν εύκολο ή οικονομικό να μετρηθεί. Για παράδειγμα, προτιμούσε δεδομένα μεμονωμένων κυττάρων αντί για κλινικά δεδομένα ανθρώπων ή την έκφραση RNA αντί για τις πρωτεΐνες. Αυτές οι έμμεσες μετρήσεις υπήρξαν εξαιρετικά χρήσιμες, ωστόσο μπορούν επίσης να απομακρυνθούν από τους στόχους της κατανόησης της βιολογίας και της πρόληψης και θεραπείας ασθενειών. Σε τέτοιες περιπτώσεις, θέλουμε να δώσουμε στους ερευνητές τους πόρους που χρειάζονται για να δημιουργήσουν σύνολα δεδομένων που μετρούν όσα έχουν τη μεγαλύτερη σημασία. Είναι επίσης πιθανό τα απαραίτητα όργανα για τη μέτρηση της «βιολογικής αλήθειας» να μην υπάρχουν ακόμη ή να είναι απαγορευτικά ακριβά για χρήση σε μεγάλη κλίμακα. Μέσω αυτού του προγράμματος, ελπίζουμε να υποστηρίξουμε και τις δύο κατευθύνσεις — νέα δεδομένα και νέα εργαλεία.

   Για παράδειγμα, η επιχορήγησή μας προς το UNC για ίδρυση της Πρωτοβουλίας για την Παραγωγική Ανοσοθεραπεία θα επιτρέψει στην ομάδα των UNC Lineberger και UNC Health να δημιουργήσει τα απαραίτητα δεδομένα που βασίζονται σε παρατηρήσεις από ανθρώπους, ώστε να βελτιωθεί η επόμενη γενιά αντικαρκινικών εμβολίων. Αυτό σημαίνει άμεση μέτρηση των πρωτεϊνών στην επιφάνεια των καρκινικών κυττάρων, καθώς και των αποκρίσεων των Τ κυττάρων των ασθενών, αντί για «απλή» αλληλούχηση του όγκου. Η δημιουργία αυτών των δεδομένων είναι δαπανηρή. Δημιουργώντας τα αυτή τη φορά με ολοκληρωμένο τρόπο και διαθέτοντας ανοικτά τα αποτελέσματα, ελπίζουμε ότι θα ωφεληθούν όλες οι μελλοντικές προσπάθειες ανάπτυξης αντικαρκινικών εμβολίων. Ειδικότερα, αν το έργο πετύχει, τα μελλοντικά υποψήφια εμβόλια θα μπορούν να περνούν στη χορήγηση σε ανθρώπους με ένα ισχυρότερο σύνολο στόχων. Αυτό αναμένεται να αυξήσει τις πιθανότητες επιτυχίας τους, καθώς και τις γνώσεις που μπορούν να αποκτηθούν όταν δεν πετυχαίνουν.

Διασφάλιση της πρόσβασης των ερευνητών σε δεδομένα

Τέλος, σε όλες τις επιχορηγήσεις μας διασφαλίζουμε ότι τα σύνολα δεδομένων που προκύπτουν είναι όσο το δυνατόν πιο προσβάσιμα σε ερευνητές σε όλο τον κόσμο.

Στο μεγαλύτερο μέρος της ιστορίας της επιστήμης, η δοκιμή υποθέσεων αποτελούσε βασικό εμπόδιο για τις ανακαλύψεις. Υπήρχε περιορισμένη διαθέσιμη «ευφυΐα» για αντιμετώπιση προβλημάτων — ένας συγκεκριμένος αριθμός μεταπτυχιακών φοιτητών και επαγγελματιών επιστημόνων, οι οποίοι παρήγαγαν και ανέλυαν δεδομένα για ένα πρόβλημα. Η συνεχιζόμενη πρόοδος της ΤΝ στον προγραμματισμό και την ανάλυση δεδομένων ανατρέπει αυτήν την παραδοχή. Η ανάλυση δεδομένων μπορεί να κλιμακωθεί σε πολύ μεγαλύτερο βαθμό, με νέες γνώσεις να προκύπτουν από συνεργασίες που είναι δύσκολο να προβλεφθούν όταν παράγονται τα δεδομένα.

Αποστολή μας είναι να διασφαλίσουμε ότι η τεχνητή γενική νοημοσύνη ωφελεί την ανθρωπότητα στο σύνολό της. Τα επιστημονικά δεδομένα που δημιουργούνται με την υποστήριξή μας πρέπει να διατίθενται ευρέως, διασφαλίζοντας παράλληλα την ιδιωτικότητα και τη συναίνεση των ατόμων όταν εμπλέκονται ανθρώπινα δεδομένα. Ωστόσο, η προσβασιμότητα δεν περιορίζεται απλώς στη δημοσιοποίηση των ανεπεξέργαστων δεδομένων. Ενθαρρύνουμε τους αποδέκτες επιχορηγήσεων να δημοσιεύουν τις αναλύσεις τους ως προδημοσιεύσεις, να κοινοποιούν τακτικά τα δεδομένα και όχι μόνο στο τέλος και, αν τα δεδομένα τους δεν είναι «συνδεδεμένα», να συνεργάζονται στενά με τους χρήστες τους για να αξιολογούν τη χρησιμότητά τους σε προβλήματα με βιολογική αξία.

Επαναληπτική μάθηση

Αυτή η ανάρτηση περιγράφει την αρχική κατεύθυνσή μας για τα Δημόσια δεδομένα για την υγεία. Αναθεωρούμε ενεργά τις απόψεις μας καθώς προοδεύουν η επιστήμη και η τεχνητή νοημοσύνη, αλλά και μέσα από συζητήσεις με άλλα μέλη της ερευνητικής κοινότητας.

Εάν έχετε ιδέες για τα Δημόσια δεδομένα για την υγεία, σας ενθαρρύνουμε να επικοινωνήσετε μαζί μας στη διεύθυνση [email protected]⁠. Μπορείτε να εγγραφείτε στο ενημερωτικό δελτίο μας εδώ⁠, για μελλοντικές ενημερώσεις σχετικά με τα προγράμματα και τη χρηματοδότησή μας.

Εάν σας ενδιαφέρει να ασχολείστε επαγγελματικά με προβλήματα όπως αυτά που εξετάζονται σε αυτή την ανάρτηση, αυτή την περίοδο προσλαμβάνουμε προσωπικό για τέσσερις ανοικτές θέσεις⁠ στην ομάδα Βιοεπιστημών και Θεραπείας Ασθενειών.