Datos públicos para la salud

En abril, lanzamos⁠ IA para el Alzheimer, el primer programa de OpenAI Foundation en Ciencias de la vida y cura de enfermedades. Hoy presentamos nuestro segundo programa científico: Datos públicos para la salud.

Con IA para el Alzheimer, nos enfocamos en combatir una enfermedad que afecta a muchas familias y para la cual creemos que la IA puede ayudar a los científicos a desarrollar mejores tratamientos. Con Datos públicos para la salud, buscamos impulsar avances en las ciencias de la vida y en numerosas enfermedades mediante el financiamiento de la creación y preservación de conjuntos de datos científicos de alta calidad y ampliamente disponibles para los investigadores.

Los datos científicos son observaciones del mundo que nos rodea y constituyen la base de la investigación y los descubrimientos. En campos donde los avances pueden verificarse sin recopilar nuevos datos, como ciertas áreas de las matemáticas, los sistemas de IA han comenzado recientemente a aportar⁠ nuevos⁠ conocimientos⁠. Mientras tanto, en biología, los sistemas de IA tienen una capacidad cada vez mayor para analizar información biológica a gran escala y revelar estructuras ocultas incluso a partir de evidencia incompleta, a veces con una eficiencia asombrosa.

Sin embargo, esperamos que muchos de los avances pendientes en la prevención y el tratamiento de enfermedades surjan al combinar la inteligencia de los nuevos modelos con más observaciones del mundo; en otras palabras, con más datos.

Es posible que algunos conjuntos de datos de enorme valor público nunca se creen ni compartan porque ninguna institución por sí sola tiene suficientes incentivos o capacidad para financiarlos. Por eso, apoyar los datos públicos para la salud encaja muy bien con OpenAI Foundation.

Nuestras primeras subvenciones

Comenzaremos otorgando más de $125 millones en subvenciones a un primer grupo de organizaciones sin fines de lucro y universidades, que abarcará muchas capas de datos: desde moléculas y epidemiología hasta conocimientos regulatorios.

Estos son algunos ejemplos de los proyectos que apoyamos:

1. OpenADMET⁠ creará conjuntos de datos abiertos, parámetros de referencia y competencias a ciegas para comprobar si es posible entrenar modelos de IA que predigan cómo se absorben y distribuyen las moléculas pequeñas en el cuerpo, a fin de hacer más predecible el desarrollo de fármacos y reducir la tasa de fracaso de los nuevos medicamentos.

   El 90 % de los fármacos candidatos fracasa en los ensayos clínicos⁠. Esto suele deberse a la dificultad de predecir cómo se absorberán y desplazarán por el cuerpo, es decir, sus propiedades “ADMET”⁠. Los desafíos de predicción aún sin resolver como este pueden ser adecuados para la IA si se combinan con datos de alta calidad que permitan fundamentar la precisión de las predicciones de distintos modelos. Por ejemplo, AlphaFold2 transformó la predicción de estructuras de proteínas mediante datos del Banco de Datos de Proteínas⁠, en una competencia organizada por CASP⁠ frente a otros enfoques de modelado. La predicción de estructuras de proteínas ya está integrada en muchos programas de descubrimiento de fármacos que probablemente beneficiarán a los pacientes.

   Para predecir mejor las propiedades ADMET de los fármacos candidatos, el equipo de OpenADMET desarrollará conjuntos de datos de alta calidad que sustenten nuevos modelos predictivos y organizará desafíos abiertos en los que podrán participar investigadores de todo el mundo.

   

   “El descubrimiento de fármacos está lleno de problemas universales que ninguna empresa ni laboratorio académico interesado en curar una enfermedad específica puede resolver por sí solo”, afirmó James Fraser, doctor, miembro del Consejo Directivo de OpenADMET, profesor y director de Bioingeniería y Ciencias Terapéuticas en la UCSF. “OpenADMET se creó para abordar estos problemas de forma abierta y preparada para el aprendizaje automático. Nos entusiasma poder construir la capa fundamental que permitirá que la IA acelere en gran medida el desarrollo de nuevos tratamientos”.

2. CTD Commons⁠ preservará y publicará conocimientos regulatorios de programas fallidos de desarrollo de fármacos para que futuros equipos aprendan de antecedentes que suelen permanecer inaccesibles y puedan descubrir más rápido tratamientos eficaces para los pacientes.

   Un CTD, o Documento Técnico Común, reúne el recorrido completo de un fármaco en investigación: desde la toxicología en animales y los detalles de fabricación hasta, quizás lo más útil, la correspondencia con la FDA. Sin embargo, solo una pequeña parte de ese trabajo aparece en artículos publicados.

   CTD Commons evaluará la posibilidad de obtener CTD de programas de desarrollo de fármacos fallidos o archivados y ponerlos a disposición de todos para su investigación y análisis.

   “Cada solicitud presentada ante la FDA representa el arduo trabajo y los sacrificios de investigadores, revisores y participantes de estudios. Incluso cuando estos esfuerzos fracasan, la valiosa información que generan no debería desperdiciarse”, afirmó Josh Morrison, principal organizador de CTD Commons y presidente de 1Day Sooner. “CTD Commons reducirá la duplicación y los costos, y maximizará el impacto de la investigación clínica”.

3. UNC⁠ creará la Iniciativa de Inmunoterapia Generativa y producirá datos públicos y multimodales para contribuir a un futuro en el que los pacientes con cáncer puedan recibir rápidamente vacunas personalizadas cuando sean diagnosticados.

   Las vacunas actuales contra el cáncer basadas en “neoantígenos” son de los pocos medicamentos diseñados por computadora para cada paciente. Para ello, se secuencia una célula tumoral a fin de predecir qué objetivos específicos del tumor aparecen en su superficie. Pero esa secuenciación es en sí misma una aproximación a la realidad, porque medir directamente los objetivos de la superficie celular es difícil y costoso, al igual que comprobar con qué intensidad reacciona el sistema inmunitario del paciente a cada una de esas proteínas.

   UNC generará esos vínculos faltantes en cientos de tumores y varios tipos de cáncer. Así creará uno de los primeros conjuntos de datos de entrenamiento y evaluación de este campo, con datos públicos anonimizados que investigadores de todo el mundo podrán aprovechar.

   “Las vacunas personalizadas contra el cáncer finalmente comienzan a mostrar indicios de eficacia clínica, pero aún existen vacíos que, con el modelo tradicional de desarrollo terapéutico, podrían tardar décadas en cubrirse. Los datos de alta calidad pueden ayudarnos a cerrar esos vacíos más rápido”, afirmó Alex Rubinsteyn, doctor y profesor adjunto de Genética en la Facultad de Medicina de UNC. “Nos entusiasma poder acortar estos plazos y ayudar a hacer realidad inmunoterapias personalizadas de eficacia general”.

   

Nuestra estrategia inicial

Esperamos que esta sección sea especialmente relevante para investigadores interesados en futuras oportunidades de subvención de OpenAI Foundation.

Hay muchos más datos científicos que sería valioso recopilar de los que cualquier financiador puede apoyar por sí solo. Por eso, quisimos explicar con más detalle a la comunidad investigadora qué tipos de datos creemos que podrían aprovechar mejor el apoyo de OpenAI Foundation.

Nuestras hipótesis iniciales sobre los datos prioritarios son: datos conectados, datos escasos y datos directos. Los conjuntos de datos que financiemos normalmente tendrán una o dos de estas propiedades, descritas con más detalle a continuación, y, en casos excepcionales, reunirán las tres.

En todos los conjuntos de datos, creemos que será cada vez más importante hacer que la información sea ampliamente accesible y, cuando incluya datos de pacientes, garantizar su privacidad. Esto permitirá que los investigadores aprovechen el trabajo de los demás y que el progreso científico surja de lugares inesperados.

1. Datos conectados: seguir la biología a través de varias etapas

   La biología se desarrolla en distintas escalas, pero la mayoría de los conjuntos de datos de ciencias de la vida solo captura una parte de la realidad. Un atlas celular puede medir moléculas en miles de células, mientras que las imágenes de moléculas individuales permiten observar una sola célula. Ambas perspectivas son valiosas, pero como estos conjuntos de datos suelen crearse de forma independiente, pueden requerirse años de trabajo posterior para determinar cómo se relacionan los resultados científicos. Queremos ayudar a equipos de investigación individuales a desplazarse deliberadamente entre estas escalas y crear conjuntos de datos completos y conectados cuyas distintas capas se refuercen entre sí.

   Por ejemplo, nuestra subvención a la UCSF permitirá que el equipo de OpenADMET mida propiedades e interacciones moleculares clave de decenas de miles de compuestos. Luego, el equipo conectará este amplio perfil con dos perspectivas sobre el transporte de fármacos: estructuras de proteínas transportadoras determinadas experimentalmente y unidas a moléculas seleccionadas, y ensayos que midan cómo interactúan funcionalmente estas proteínas con las moléculas. Por último, probará un subconjunto de estos compuestos en modelos de la barrera hematoencefálica humana y comparará los resultados con mediciones in vivo en animales.

   Este enfoque de recopilación de datos ofrecerá una descripción excepcionalmente completa de qué determina el desplazamiento de un fármaco por el cuerpo y permitirá obtener mejores predicciones de los modelos de IA en el nivel que nos importa a los seres humanos.

2. Datos escasos: preservar lo que no puede recrearse

   Ninguna IA futura, por capaz que sea, podrá regresar en el tiempo para observar acontecimientos biológicos ocurridos en momentos únicos y específicos, como las causas de muerte y enfermedad en países sin estadísticas vitales confiables o el contenido de muestras biológicas tomadas a pacientes en momentos que ya pasaron. La biología está llena de estas oportunidades irrepetibles, y es posible que los futuros desarrolladores de modelos encuentren usos para esa evidencia que los investigadores actuales no pueden prever. Por eso, nos interesan especialmente las propuestas que recopilen o preserven datos valiosos antes de que desaparezca la oportunidad, o que hagan ampliamente accesibles conjuntos de datos privados que nunca podrán recrearse, siempre respetando la privacidad y el consentimiento individual.

   Por ejemplo, nuestra subvención a CTD Commons permitirá investigar si es posible salvar los registros de programas fallidos de desarrollo de fármacos antes de que las empresas cierren y esos registros desaparezcan. A corto plazo, estos documentos podrían ayudar a los equipos de desarrollo de fármacos en etapas iniciales a comprender qué han exigido los organismos reguladores a productos similares, en lugar de aprender mediante costosos procesos de prueba y error. A largo plazo, los documentos podrían servir como recursos para que los sistemas de aprendizaje automático descubran patrones que expliquen por qué los fármacos fracasan o tienen éxito. Esto podría impulsar mejoras en la regulación o las estrategias de ensayo y permitir que los pacientes se beneficien antes de nuevos tratamientos.

3. Datos directos: medir los estados biológicos y clínicos más cercanos a lo que importa

   Durante gran parte de su historia, la biología ha medido lo que era fácil o barato medir. Por ejemplo, se han priorizado los datos de células individuales sobre los datos clínicos humanos, o la expresión de ARN sobre las proteínas. Estas aproximaciones han sido sumamente útiles, pero también pueden distanciarse de los objetivos de comprender la biología y prevenir y tratar enfermedades. En casos como estos, queremos proporcionar a los investigadores los recursos necesarios para crear conjuntos de datos que midan lo más importante. También es posible que los instrumentos necesarios para medir la “verdad biológica” aún no existan o que utilizarlos a gran escala sea excesivamente costoso. Con este programa, esperamos apoyar ambas iniciativas: nuevos datos y nuevas herramientas.

   Por ejemplo, nuestra subvención a UNC para crear la Iniciativa de Inmunoterapia Generativa permitirá que el equipo de UNC Lineberger y UNC Health produzca los datos basados en evidencia humana necesarios para mejorar la próxima generación de vacunas contra el cáncer. Esto significa medir directamente las proteínas de la superficie de las células tumorales y las respuestas de las células T de los pacientes, en lugar de “limitarse” a secuenciar el tumor. Crear estos datos es costoso. Al hacerlo de forma integral esta vez y publicar los resultados abiertamente, esperamos que todos los esfuerzos futuros para desarrollar vacunas contra el cáncer puedan beneficiarse. En particular, si este proyecto tiene éxito, los futuros candidatos a vacuna podrán comenzar la administración en seres humanos con un conjunto de objetivos más sólido. Eso debería aumentar sus probabilidades de funcionar y permitir que se aprenda más cuando no lo hagan.

Garantizar que los datos sean accesibles para los investigadores

Por último, en todas nuestras subvenciones procuramos que los conjuntos de datos resultantes sean lo más accesibles posible para investigadores de todo el mundo.

Durante gran parte de la historia de la ciencia, poner a prueba las hipótesis fue uno de los principales obstáculos para los descubrimientos. Solo había una cantidad limitada de “inteligencia” disponible para abordar los problemas: un número fijo de estudiantes de posgrado y científicos profesionales que generaban y analizaban datos sobre un problema. El progreso continuo de la IA en programación y análisis de datos rompe ese supuesto. El análisis de datos podría volverse mucho más escalable y generar hallazgos mediante colaboraciones difíciles de prever cuando se producen los datos.

Nuestra misión es garantizar que la inteligencia artificial general beneficie a toda la humanidad. Los datos científicos creados con nuestro apoyo deberían estar ampliamente disponibles, sin dejar de proteger la privacidad y el consentimiento individuales cuando incluyan datos humanos. Pero la accesibilidad implica más que simplemente publicar los datos sin procesar. Alentamos a los beneficiarios a publicar sus análisis como prepublicaciones, compartir los datos periódicamente en lugar de hacerlo solo al final y, si sus datos no están “conectados”, colaborar con quienes los usan para evaluar su utilidad en problemas de importancia biológica.

Aprendizaje iterativo

Esta publicación describe nuestra orientación inicial para Datos públicos para la salud. Actualizamos activamente nuestras perspectivas a medida que avanzan la ciencia y la IA, y a partir de conversaciones con otros miembros de la comunidad investigadora.

Si tienes ideas para Datos públicos para la salud, escríbenos a [email protected]⁠. Puedes suscribirte a nuestro boletín informativo aquí⁠ para recibir novedades sobre nuestros programas y financiamiento.

Si te interesa dedicarte de tiempo completo a reflexionar sobre problemas como los analizados en esta publicación, estamos contratando personal para cuatro puestos vacantes⁠ en el equipo de Ciencias de la vida y cura de enfermedades.