Datos públicos para la salud
En abril, pusimos en marcha IA para el Alzheimer, el primer programa de OpenAI Foundation dedicado a las ciencias de la vida y la curación de enfermedades. Hoy presentamos nuestro segundo programa científico: Datos públicos para la salud.
Con IA para el Alzheimer, nos centramos en combatir una enfermedad que afecta a muchas familias y para la que creemos que la IA puede ayudar a los científicos a desarrollar mejores tratamientos. Con Datos públicos para la salud, nos centramos en impulsar avances en las ciencias de la vida y frente a numerosas enfermedades mediante la financiación de la creación y conservación de conjuntos de datos científicos de alta calidad y ampliamente accesibles para los investigadores.
Los datos científicos son observaciones sobre el 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 algunas ramas de las matemáticas, los sistemas de IA han empezado recientemente a aportar nuevos conocimientos. Mientras tanto, en biología, los sistemas de IA son cada vez más capaces de analizar información biológica a gran escala y descubrir estructuras ocultas incluso a partir de indicios incompletos, a veces con una eficiencia asombrosa.
Sin embargo, esperamos que muchos de los avances aún pendientes en la prevención y el tratamiento de enfermedades surjan de combinar la inteligencia de nuevos modelos con más observaciones del mundo; es decir, con más datos.
Es posible que algunos conjuntos de datos de enorme valor público nunca lleguen a crearse ni compartirse porque ninguna institución dispone por sí sola de incentivos o capacidad suficientes para financiarlos. Por eso, apoyar los datos públicos para la salud encaja plenamente con OpenAI Foundation.
Nuestras primeras subvenciones
Comenzamos destinando más de 125 millones de dólares en subvenciones a un primer grupo de organizaciones sin ánimo de lucro y universidades, que abarcan numerosas capas de datos: desde las moléculas y la epidemiología hasta el conocimiento normativo.
Estos son algunos ejemplos de los proyectos que apoyamos:
OpenADMET creará conjuntos de datos abiertos, referencias de evaluación y concursos a ciegas para comprobar si es posible entrenar modelos de IA que predigan cómo se absorben y distribuyen las moléculas pequeñas por el organismo, con el 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 fracasan en los ensayos clínicos. A menudo se debe a la dificultad de predecir cómo se absorberán y desplazarán por el organismo; es decir, sus propiedades «ADMET». Los problemas de predicción aún sin resolver como este pueden ser idóneos para la IA si se combinan con datos de alta calidad que permitan determinar la precisión de las predicciones de distintos modelos. Por ejemplo, AlphaFold2 transformó la predicción de estructuras de proteínas gracias a los datos del Protein Data Bank, en un concurso organizado por CASP en el que compitió con otros métodos de modelización. La predicción de estructuras de proteínas ya está integrada en numerosos programas de descubrimiento de fármacos que probablemente acabarán beneficiando a los pacientes.
Para predecir mejor las propiedades ADMET de los fármacos candidatos, el equipo de OpenADMET desarrollará conjuntos de datos de alta calidad en los que fundamentar nuevos modelos predictivos y organizará retos abiertos en los que podrán participar investigadores de todo el mundo.
Presentación en un evento reciente de OpenADMET para participantes en los retos de predicción de ADMET. Crédito: Naomi Handly.
«El descubrimiento de fármacos está lleno de problemas universales que ninguna empresa ni laboratorio académico interesado en curar una enfermedad concreta puede resolver por sí solo», afirmó James Fraser, doctor, miembro del consejo directivo de OpenADMET, catedrático y director del Departamento de Bioingeniería y Ciencias Terapéuticas de la UCSF. «OpenADMET se creó para abordar estos problemas de forma abierta y apta para el aprendizaje automático. Nos entusiasma poder construir la capa fundamental que permitirá a la IA acelerar enormemente el desarrollo de nuevos tratamientos».
CTD Commons conservará y publicará los conocimientos normativos de programas fallidos de desarrollo de fármacos para que futuros equipos puedan aprender de precedentes que suelen permanecer ocultos y ayudar así a descubrir antes tratamientos eficaces para los pacientes.
Un CTD, o documento técnico común, es un documento que recoge todo el recorrido de un fármaco en investigación: desde la toxicología animal y los detalles de fabricación hasta, quizá lo más útil, la correspondencia con la FDA. Sin embargo, solo una pequeña parte de ese trabajo aparece en artículos publicados.
CTD Commons estudiará la posibilidad de obtener los CTD de programas de desarrollo de fármacos fallidos o archivados y ponerlos a disposición de todo el mundo de forma abierta para su investigación y análisis.
«Cada solicitud presentada ante la FDA representa el trabajo y los sacrificios de investigadores, revisores y participantes en estudios. Aunque estos esfuerzos fracasen, la valiosa información que generan no debería desperdiciarse», señaló Josh Morrison, principal organizador de CTD Commons y presidente de 1Day Sooner. «CTD Commons reducirá la duplicación y los costes, y maximizará el impacto de la investigación clínica».
UNC creará la Iniciativa de Inmunoterapia Generativa y generará datos públicos y multimodales para contribuir a un futuro en el que los pacientes con cáncer puedan recibir rápidamente vacunas oncológicas personalizadas tras el diagnóstico.
Las actuales vacunas oncológicas de «neoantígenos» son uno de los pocos medicamentos diseñados computacionalmente para cada paciente: se secuencia una célula tumoral para predecir qué dianas específicas del tumor aparecen en su superficie. Pero esa secuenciación es en sí misma una aproximación a la realidad, ya que medir directamente las dianas de la superficie celular resulta difícil y costoso, al igual que comprobar con qué intensidad reacciona el sistema inmunitario de un paciente a cada una de esas proteínas.
UNC generará esos vínculos ausentes en cientos de tumores y varios tipos de cáncer, con lo que creará uno de los primeros conjuntos de datos de entrenamiento y evaluación de este campo, formado por datos públicos anonimizados que podrán aprovechar investigadores de todo el mundo.
«Las vacunas oncológicas personalizadas empiezan por fin a mostrar indicios de eficacia clínica, pero aún presentan carencias que podrían tardar décadas en subsanarse con el modelo tradicional de desarrollo terapéutico. Los datos de alta calidad pueden ayudarnos a subsanarlas antes», 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 eficaces de forma generalizada».
Miembros del laboratorio trabajan en vacunas oncológicas personalizadas en la Universidad de Carolina del Norte. Crédito: UNC.
Nuestra estrategia inicial
Creemos que esta sección será especialmente relevante para los investigadores interesados en futuras subvenciones de OpenAI Foundation.
La cantidad de datos científicos que sería valioso recopilar supera con creces lo que puede financiar una sola entidad. Por eso, queríamos explicar con más detalle a la comunidad investigadora qué tipos de datos creemos que pueden beneficiarse más del 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, que se describen con más detalle a continuación, y solo en casos excepcionales reunirán las tres.
En todos los conjuntos de datos, creemos que será cada vez más importante hacerlos ampliamente accesibles y, cuando contengan datos de pacientes, garantizar su privacidad. Esto permitirá que los investigadores aprovechen el trabajo de otros y que el progreso científico surja de lugares inesperados.
Datos conectados: seguir la biología a través de múltiples etapas
La biología se desarrolla a distintas escalas, pero la mayoría de los conjuntos de datos de ciencias de la vida solo captan una parte de la realidad. Un atlas celular puede medir moléculas en miles de células, mientras que las imágenes de moléculas individuales solo permiten seguir una célula. Ambas perspectivas son valiosas, pero, como estos conjuntos de datos suelen crearse de manera independiente, pueden hacer falta años de trabajo posterior para determinar cómo se relacionan los resultados científicos. Queremos ayudar a equipos de investigación concretos a avanzar deliberadamente entre estas escalas y crear conjuntos de datos ricos y conectados cuyas distintas capas se refuercen entre sí.
Por ejemplo, nuestra subvención a la UCSF permitirá al equipo de OpenADMET medir propiedades e interacciones moleculares clave de decenas de miles de compuestos. Después, el equipo conectará este amplio perfil con dos perspectivas del 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, probarán un subconjunto de estos compuestos en modelos de la barrera hematoencefálica humana y compararán los resultados con mediciones realizadas in vivo en animales.
Este método de recopilación de datos ofrecerá una visión excepcionalmente completa de los factores que determinan cómo se desplaza un fármaco por el organismo y permitirá obtener mejores predicciones de modelos de IA en los aspectos que nos importan a los seres humanos.
Datos escasos: preservar lo que no puede recrearse
Ninguna IA futura, por capaz que sea, podrá retroceder en el tiempo y observar fenómenos biológicos ocurridos en momentos concretos e irrepetibles, como las causas de muerte y enfermedad en países sin estadísticas vitales fiables o el contenido de muestras biológicas tomadas a pacientes en momentos específicos ya pasados. La biología está llena de oportunidades que no vuelven, y quienes desarrollen modelos en el futuro podrían encontrar usos para esas pruebas que hoy los investigadores no pueden prever. Por ello, nos interesan especialmente las propuestas que recopilen o conserven datos valiosos antes de que desaparezca la oportunidad, o que den amplia difusión a conjuntos de datos privados que nunca podrán recrearse, respetando siempre la privacidad y el consentimiento individual.
Por ejemplo, nuestra subvención a CTD Commons estudiará si pueden preservarse los registros de programas fallidos de desarrollo de fármacos antes de que las empresas cierren y esos documentos desaparezcan. A corto plazo, estos documentos podrían ayudar a los equipos que se encuentran en las primeras fases del desarrollo de fármacos a comprender qué han exigido los organismos reguladores a productos similares, en lugar de tener que aprender mediante costosos procesos de ensayo 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 permitiría mejorar la regulación o las estrategias de los ensayos y que los pacientes se beneficiasen antes de nuevos tratamientos.
Datos directos: medir los estados biológicos y clínicos más próximos a lo que importa
Durante gran parte de su historia, la biología ha medido aquello que resultaba fácil o barato medir. Por ejemplo: se han priorizado los datos de células individuales frente a los datos clínicos humanos, o la expresión del ARN frente a las proteínas. Estas aproximaciones han sido sumamente útiles, pero también pueden alejarse 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 que más importa. También puede ocurrir que aún no existan los instrumentos necesarios para medir la «verdad biológica» o que utilizarlos a gran escala resulte excesivamente caro. 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 al equipo de UNC Lineberger y UNC Health generar los datos basados en seres humanos necesarios para mejorar la próxima generación de vacunas oncológicas. Esto implica medir directamente las proteínas de la superficie de las células tumorales y las respuestas de los linfocitos T de los pacientes, en lugar de «limitarse» a secuenciar el tumor. Generar estos datos es costoso; al hacerlo de manera exhaustiva ahora y publicar los resultados, esperamos que todas las iniciativas futuras sobre vacunas oncológicas puedan beneficiarse. En concreto, si este proyecto tiene éxito, los futuros candidatos a vacunas podrán comenzar la administración en humanos con un conjunto de dianas 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 nos aseguramos de 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, comprobar hipótesis fue uno de los principales obstáculos para los descubrimientos. Solo había una cantidad limitada de «inteligencia» que dedicar a los problemas: un número determinado de estudiantes de posgrado y científicos profesionales que generaban y analizaban datos en torno a un problema. El progreso continuo de la IA en programación y análisis de datos rompe con ese supuesto. El análisis de datos podría alcanzar una escala muchísimo mayor y generar hallazgos a partir de colaboraciones difíciles de prever cuando se crean los datos.
Nuestra misión es garantizar que la inteligencia artificial general beneficie a toda la humanidad. Los datos científicos creados con nuestro apoyo deben ponerse a disposición del público de forma amplia, manteniendo la privacidad y el consentimiento individuales siempre que incluyan datos humanos. Pero la accesibilidad va más allá de limitarse a publicar los datos sin procesar. Animamos a quienes reciben subvenciones a publicar sus análisis en forma de prepublicaciones, compartir datos periódicamente en lugar de hacerlo solo al final y, si sus datos no están «conectados», trabajar en colaboración con quienes los utilizan para evaluar su utilidad en problemas de valor biológico.
Aprendizaje iterativo
Esta publicación expone nuestro planteamiento inicial para Datos públicos para la salud. Actualizamos continuamente nuestras perspectivas a medida que avanzan la ciencia y la IA, y gracias a las conversaciones con otros miembros de la comunidad investigadora.
Si tienes ideas para Datos públicos para la salud, te animamos a escribirnos a [email protected]. Puedes suscribirte a nuestro boletín aquí para recibir futuras novedades sobre nuestros programas y su financiación.
Si te interesa dedicarte a tiempo completo a reflexionar sobre problemas como los tratados en esta publicación, tenemos cuatro vacantes abiertas en el equipo de Ciencias de la Vida y Curación de Enfermedades.