داده‌های عمومی برای سلامت

در آوریل، برنامه «هوش مصنوعی برای آلزایمر» را راه‌اندازی کردیم⁠امروز دومین برنامه علمی خود را معرفی می‌کنیم: «داده‌های عمومی برای سلامت».

تمرکز ما در برنامه «هوش مصنوعی برای آلزایمر» مقابله با بیماری‌ای است که خانواده‌های بسیاری را درگیر کرده و باور داریم هوش مصنوعی می‌تواند به دانشمندان در توسعه درمان‌های بهتر برای آن کمک کند. تمرکز ما در برنامه «داده‌های عمومی برای سلامت» فراهم‌کردن زمینه پیشرفت در سراسر علوم زیستی و درباره بیماری‌های متعدد است؛ آن هم با تأمین مالی ایجاد و نگهداری مجموعه‌داده‌های علمی باکیفیتی که به‌طور گسترده در دسترس پژوهشگران قرار می‌گیرند.

داده‌های علمی، مشاهداتی درباره جهان پیرامون ما و زیربنای پژوهش و اکتشاف‌اند. در حوزه‌هایی مانند بخش‌هایی از ریاضیات که دستاوردها را می‌توان بدون گردآوری داده‌های جدید راستی‌آزمایی کرد، سامانه‌های هوش مصنوعی اخیراً به مشارکت در تولید⁠ دانش⁠ جدید⁠ روی آورده‌اند. در همین حال، سامانه‌های هوش مصنوعی در زیست‌شناسی بیش‌ازپیش می‌توانند اطلاعات زیستی را در مقیاس وسیع تحلیل کنند و حتی از شواهد ناقص، ساختارهای پنهان را گاه با بهره‌وری خیره‌کننده‌ای بازیابی کنند.

بااین‌حال، انتظار داریم بسیاری از دستاوردهای آینده در پیشگیری و درمان بیماری از پیوند هوشمندی مدل‌های جدید با مشاهدات بیشتر از جهان، یعنی داده‌های بیشتر، حاصل شوند.

ممکن است برخی مجموعه‌داده‌ها با ارزش عمومی بسیار بالا هرگز ایجاد یا منتشر نشوند، زیرا هیچ مؤسسه‌ای به‌تنهایی انگیزه یا توان کافی برای تأمین مالی آن‌ها ندارد. ازاین‌رو، حمایت از داده‌های عمومی برای سلامت با فعالیت‌های OpenAI Foundation کاملاً همسو است.

کمک‌هزینه‌های اولیه ما

کار را با اختصاص بیش از ۱۲۵ میلیون دلار کمک‌هزینه به نخستین گروه از سازمان‌های غیرانتفاعی و دانشگاه‌ها آغاز می‌کنیم؛ طرح‌هایی که لایه‌های گوناگون داده، از مولکول‌ها و همه‌گیرشناسی گرفته تا دانش نظارتی، را در بر می‌گیرند.

در ادامه چند نمونه از پروژه‌های تحت حمایت ما آمده است:

1. OpenADMET⁠ مجموعه‌داده‌ها و معیارهای سنجش آزاد و رقابت‌های کور ایجاد می‌کند تا مشخص شود آیا می‌توان مدل‌های هوش مصنوعی را برای پیش‌بینی نحوه جذب و توزیع مولکول‌های کوچک در بدن آموزش داد یا نه؛ با هدف پیش‌بینی‌پذیرترکردن توسعه دارو و کاهش نرخ شکست داروهای جدید.

   ۹۰٪ از داروهای کاندیدا در کارآزمایی‌های بالینی شکست می‌خورند⁠. این مسئله اغلب ناشی از دشواری پیش‌بینی نحوه جذب و جابه‌جایی آن‌ها در بدن، یعنی ویژگی‌های «ADMET» آن‌ها⁠، است. چالش‌های حل‌نشده‌ای از این دست، اگر با داده‌های باکیفیت برای سنجش صحت پیش‌بینی مدل‌های مختلف همراه شوند، می‌توانند گزینه مناسبی برای هوش مصنوعی باشند. برای نمونه، AlphaFold2 با استفاده از داده‌های بانک داده پروتئین⁠ و در رقابتی که CASP⁠ میان رویکردهای مختلف مدل‌سازی برگزار کرد، پیش‌بینی ساختار پروتئین را متحول ساخت. اکنون پیش‌بینی ساختار پروتئین در بسیاری از برنامه‌های کشف دارو ادغام شده است که احتمالاً در آینده به سود بیماران خواهند بود.

   تیم OpenADMET برای پیش‌بینی بهتر ویژگی‌های ADMET داروهای کاندیدا، مجموعه‌داده‌های باکیفیتی برای سنجش مدل‌های پیش‌بینی جدید توسعه می‌دهد و چالش‌های آزادی برگزار می‌کند که پژوهشگران سراسر جهان می‌توانند در آن‌ها شرکت کنند.

   

   جیمز فریزر، دارای مدرک دکتری، عضو هیئت‌مدیره OpenADMET و استاد و رئیس دانشکده مهندسی زیستی و علوم درمانی UCSF، گفت: «کشف دارو سرشار از مسائل فراگیری است که هیچ شرکت یا آزمایشگاه دانشگاهی علاقه‌مند به درمان یک بیماری مشخص نمی‌تواند به‌تنهایی آن‌ها را حل کند. OpenADMET برای حل این مسائل به‌شیوه‌ای آزاد و آماده برای یادگیری ماشین ایجاد شده است. خوشحالیم که می‌توانیم لایه‌ای زیربنایی بسازیم که هوش مصنوعی را قادر می‌سازد توسعه درمان‌های جدید را به‌شدت شتاب دهد.»

2. CTD Commons⁠ دانش نظارتی حاصل از برنامه‌های ناموفق توسعه دارو را نگهداری و منتشر می‌کند تا تیم‌های آینده بتوانند از سوابقی که معمولاً دور از دسترس می‌مانند بیاموزند و درمان‌های مؤثر را سریع‌تر به بیماران برسانند.

   CTD یا «سند فنی مشترک»، سندی است که مسیر کامل یک داروی در دست تحقیق را گردآوری می‌کند؛ از سم‌شناسی حیوانی و جزئیات تولید گرفته تا مکاتبات با FDA که شاید سودمندترین بخش آن باشد. بااین‌حال، تنها بخش کوچکی از این کار در مقالات منتشرشده بازتاب می‌یابد.

   CTD Commons امکان دریافت CTDهای برنامه‌های ناموفق یا کنارگذاشته‌شده توسعه دارو را بررسی می‌کند و آن‌ها را برای پژوهش و تحلیل، آزادانه در اختیار همگان قرار می‌دهد.

   «هر پرونده ارسالی به FDA حاصل تلاش سخت و فداکاری پژوهشگران، ارزیابان و شرکت‌کنندگان مطالعه است. به‌گفته جاش موریسون، سازمان‌دهنده اصلی CTD Commons و رئیس 1Day Sooner: «حتی اگر این تلاش‌ها شکست بخورند، اطلاعات ارزشمند حاصل از آن‌ها نباید هدر برود. CTD Commons از دوباره‌کاری و هزینه‌ها می‌کاهد و اثرگذاری پژوهش‌های بالینی را به حداکثر می‌رساند.»

3. UNC⁠ «ابتکار ایمنی‌درمانی مولد» را راه‌اندازی می‌کند و داده‌های عمومی و چندوجهی ایجاد می‌کند تا به آینده‌ای برسیم که بیماران مبتلا به سرطان بتوانند پس از تشخیص، واکسن‌های شخصی‌سازی‌شده سرطان را به‌سرعت دریافت کنند.

   واکسن‌های سرطانی «نئوآنتی‌ژن» امروزی از معدود داروهایی هستند که با توالی‌یابی یک سلول توموری و پیش‌بینی اهداف اختصاصی تومور روی سطح آن، برای هر بیمار به‌صورت محاسباتی طراحی می‌شوند. اما این توالی‌یابی نیز تنها نماینده‌ای از واقعیت است، زیرا اندازه‌گیری مستقیم اهداف روی سطح سلول و نیز بررسی شدت واکنش دستگاه ایمنی بیمار به هریک از این پروتئین‌ها دشوار و پرهزینه است.

   UNC این حلقه‌های مفقوده را در صدها تومور و چندین نوع سرطان ایجاد خواهد کرد و یکی از نخستین مجموعه‌داده‌های آموزش و ارزیابی این حوزه را با داده‌های عمومی هویت‌زدایی‌شده فراهم می‌کند تا پژوهشگران سراسر جهان بر پایه آن کار کنند.

   «واکسن‌های شخصی‌سازی‌شده سرطان سرانجام نشانه‌هایی از اثربخشی بالینی بروز داده‌اند، اما هنوز کاستی‌هایی دارند که رفع آن‌ها با مدل سنتی توسعه درمان ممکن است دهه‌ها طول بکشد. الکس روبینستین، دارای مدرک دکتری و استادیار ژنتیک دانشکده پزشکی UNC، گفت: «داده‌های باکیفیت می‌توانند به ما کمک کنند این کاستی‌ها را سریع‌تر برطرف کنیم. مشتاقیم این بازه زمانی را کوتاه کنیم و به تحقق ایمنی‌درمانی‌های شخصی‌سازی‌شده و مؤثر برای عموم کمک کنیم.»

   

راهبرد اولیه ما

انتظار داریم این بخش به‌ویژه برای پژوهشگران علاقه‌مند به فرصت‌های آینده کمک‌هزینه OpenAI Foundation سودمند باشد.

حجم داده‌های علمی ارزشمند برای گردآوری بسیار بیشتر از آن است که یک تأمین‌کننده مالی بتواند از همه آن‌ها حمایت کند. ازاین‌رو، می‌خواهیم دیدگاه خود را درباره انواع داده‌هایی که حمایت OpenAI Foundation می‌تواند بیشترین تأثیر را بر آن‌ها داشته باشد، با جامعه پژوهشی در میان بگذاریم.

فرضیه‌های آغازین ما درباره داده‌های شایسته تمرکز عبارت‌اند از: داده‌های پیوسته، داده‌های کمیاب و داده‌های مستقیم . مجموعه‌داده‌هایی که تأمین مالی می‌کنیم معمولاً یک یا دو مورد از این ویژگی‌ها را دارند که در ادامه با جزئیات بیشتری شرح داده می‌شوند؛ تنها در مواردی نادر هر سه ویژگی را خواهند داشت.

درباره همه مجموعه‌داده‌ها، معتقدیم که فراهم‌کردن دسترسی گسترده به داده‌ها، همراه با تضمین حریم خصوصی در موارد مربوط به داده‌های بیماران، اهمیت روزافزونی خواهد یافت. این کار به پژوهشگران امکان می‌دهد بر دستاوردهای یکدیگر بنا کنند و پیشرفت علمی از جاهایی غیرمنتظره پدید آید.

1. داده‌های پیوسته: دنبال‌کردن زیست‌شناسی در چندین مرحله

   فرایندهای زیستی در مقیاس‌های مختلف رخ می‌دهند، اما بیشتر مجموعه‌داده‌های علوم زیستی تنها بخشی از واقعیت را ثبت می‌کنند. ممکن است یک اطلس سلولی، مولکول‌ها را در هزاران سلول اندازه‌گیری کند، درحالی‌که تصویربرداری تک‌مولکولی فقط یک سلول را دنبال می‌کند. هر دو دیدگاه ارزشمندند، اما چون چنین مجموعه‌داده‌هایی معمولاً مستقل از یکدیگر ایجاد می‌شوند، تعیین ارتباط نتایج علمی با یکدیگر ممکن است به سال‌ها پژوهش تکمیلی نیاز داشته باشد. می‌خواهیم از تیم‌های پژوهشی مستقل حمایت کنیم تا آگاهانه میان این مقیاس‌ها حرکت کنند و مجموعه‌داده‌های غنی و پیوسته‌ای بسازند که لایه‌های مختلفشان یکدیگر را تقویت می‌کنند.

   برای نمونه، کمک‌هزینه ما به UCSF به تیم OpenADMET امکان می‌دهد ویژگی‌ها و تعاملات مولکولی کلیدی ده‌ها هزار ترکیب را اندازه‌گیری کند. سپس تیم این نمایه‌سازی گسترده را به دو منظر از انتقال دارو پیوند می‌دهد: ساختارهای آزمایشگاهی تعیین‌شده پروتئین‌های انتقال‌دهنده که به مولکول‌های منتخب متصل‌اند، و آزمون‌هایی که تعامل عملکردی این پروتئین‌ها با مولکول‌ها را می‌سنجند. در نهایت، آن‌ها زیرمجموعه‌ای از این ترکیبات را در مدل‌های سد خونی‌ـ‌مغزی انسان آزمایش و نتایج را با اندازه‌گیری‌های درون‌تنی حیوانات مقایسه می‌کنند.

   این رویکرد گردآوری داده، تصویری کم‌نظیر و جامع از عوامل تعیین‌کننده حرکت دارو در بدن ارائه می‌دهد و مدل‌های هوش مصنوعی را قادر می‌سازد در سطحی که برای انسان اهمیت دارد، پیش‌بینی‌های بهتری انجام دهند.

2. داده‌های کمیاب: حفظ آنچه بازآفرینی‌شدنی نیست

   هیچ هوش مصنوعی در آینده، هرقدر هم توانمند باشد، نمی‌تواند به گذشته بازگردد و رویدادهای زیستیِ رخ‌داده در لحظات مشخص و منحصربه‌فرد را مشاهده کند؛ مانند علل مرگ و بیماری در کشورهای فاقد آمار حیاتی قابل‌اعتماد یا محتوای نمونه‌های زیستی بیماران در لحظاتی که اکنون گذشته‌اند. زیست‌شناسی پر از چنین فرصت‌های بازگشت‌ناپذیری است و مدل‌سازان آینده ممکن است کاربردهایی برای این شواهد بیابند که پژوهشگران امروز قادر به پیش‌بینی آن‌ها نیستند. بنابراین، به‌ویژه به طرح‌هایی علاقه‌مندیم که پیش از ازدست‌رفتن فرصت، داده‌های ارزشمند را گردآوری یا نگهداری کنند، یا مجموعه‌داده‌های خصوصی موجود و تکرارنشدنی را با رعایت حریم خصوصی و رضایت افراد، به‌طور گسترده در دسترس قرار دهند.

   برای نمونه، کمک‌هزینه ما به CTD Commons بررسی می‌کند که آیا می‌توان سوابق برنامه‌های ناموفق توسعه دارو را پیش از تعطیلی شرکت‌ها و ناپدیدشدن سوابقشان حفظ کرد یا نه. در کوتاه‌مدت، این اسناد می‌توانند به تیم‌های توسعه دارو در مراحل اولیه کمک کنند الزامات نهادهای نظارتی برای محصولات مشابه را بشناسند و ناچار به یادگیری از راه آزمون‌وخطای پرهزینه نباشند. در بلندمدت، این اسناد می‌توانند منبعی برای سامانه‌های یادگیری ماشین باشند تا الگوهای شکست یا موفقیت داروها را کشف کنند؛ این امر می‌تواند به بهبود مقررات یا راهبردهای کارآزمایی بینجامد و بیماران را زودتر از درمان‌های جدید بهره‌مند کند.

3. داده‌های مستقیم: سنجش وضعیت‌های زیستی و بالینیِ نزدیک‌تر به آنچه اهمیت دارد

   زیست‌شناسی در بخش بزرگی از تاریخ خود، آنچه را اندازه گرفته که سنجش آن آسان یا ارزان بوده است. برای مثال، داده‌های تک‌سلولی به‌جای داده‌های بالینی انسان، یا بیان RNA به‌جای پروتئین‌ها اندازه‌گیری شده‌اند. این شاخص‌های جایگزین بسیار سودمند بوده‌اند، اما ممکن است از اهداف اصلی، یعنی شناخت زیست‌شناسی و پیشگیری و درمان بیماری، فاصله بگیرند. در چنین مواردی، می‌خواهیم منابع لازم را در اختیار پژوهشگران بگذاریم تا مجموعه‌داده‌هایی بسازند که مهم‌ترین موارد را می‌سنجند. همچنین ممکن است ابزارهای لازم برای سنجش «واقعیت زیستی» هنوز وجود نداشته باشند یا استفاده گسترده از آن‌ها بیش‌ازحد پرهزینه باشد. امیدواریم در این برنامه از هر دو نوع ابتکار، یعنی داده‌های جدید و ابزارهای جدید، حمایت کنیم.

   برای نمونه، کمک‌هزینه ما به UNC برای راه‌اندازی «ابتکار ایمنی‌درمانی مولد» به تیم‌های UNC Lineberger و UNC Health امکان می‌دهد داده‌های مبتنی بر انسان را که برای بهبود نسل بعدی واکسن‌های سرطان ضروری‌اند، تولید کنند. این یعنی پروتئین‌های سطح سلول‌های توموری و نیز واکنش سلول‌های T بیماران را مستقیم اندازه‌گیری کنیم، نه اینکه «فقط» تومور را توالی‌یابی کنیم. تولید این داده‌ها پرهزینه است؛ امیدواریم با انجام جامع آن در این مرحله و انتشار آزاد نتایج، همه تلاش‌های آینده برای ساخت واکسن سرطان از آن بهره‌مند شوند. به‌ویژه اگر این پروژه موفق باشد، واکسن‌های کاندیدای آینده می‌توانند با مجموعه اهداف مطمئن‌تری وارد مرحله تجویز به انسان شوند. این امر باید احتمال اثربخشی آن‌ها را افزایش دهد و در صورت شکست نیز امکان آموختن نکات بیشتری را فراهم کند.

تضمین دسترسی پژوهشگران به داده‌ها

در نهایت، در همه کمک‌هزینه‌های خود اطمینان می‌یابیم که مجموعه‌داده‌های حاصل تا حد امکان در دسترس پژوهشگران سراسر جهان قرار گیرند.

در بخش بزرگی از تاریخ علم، آزمودن فرضیه‌ها گلوگاه اصلی اکتشاف بود. میزان «هوشمندی» قابل‌اختصاص به مسائل محدود بود: تعداد مشخصی دانشجوی تحصیلات تکمیلی و دانشمند حرفه‌ای که برای یک مسئله داده تولید و همان داده‌ها را تحلیل می‌کردند. پیشرفت مداوم هوش مصنوعی در برنامه‌نویسی و تحلیل داده، این فرض را برهم می‌زند. تحلیل داده ممکن است در مقیاسی بسیار گسترده‌تر انجام شود و بینش‌ها از همکاری‌هایی پدید آیند که هنگام تولید داده پیش‌بینی‌کردنی نیستند.

مأموریت ما تضمین بهره‌مندی همه بشریت از هوش مصنوعی عمومی است. داده‌های علمی ایجادشده با حمایت ما باید به‌طور گسترده در دسترس قرار گیرند و در هر موردی که داده‌های انسانی در میان است، حریم خصوصی و رضایت افراد حفظ شود. اما دسترس‌پذیری چیزی فراتر از انتشار صرف داده‌های خام است. دریافت‌کنندگان کمک‌هزینه را تشویق می‌کنیم تحلیل‌های خود را در قالب پیش‌چاپ منتشر کنند، داده‌ها را به‌طور منظم و نه فقط در پایان به اشتراک بگذارند و اگر داده‌هایشان «پیوسته» نیست، برای ارزیابی سودمندی آن‌ها در مسائل ارزشمند زیستی با کاربران داده همکاری کنند.

یادگیری تکرارشونده

این مطلب رویکرد اولیه ما را در برنامه «داده‌های عمومی برای سلامت» تشریح می‌کند. هم‌زمان با پیشرفت علم و هوش مصنوعی و در پی گفت‌وگو با دیگر اعضای جامعه پژوهشی، دیدگاه‌هایمان را فعالانه به‌روز می‌کنیم.

اگر ایده‌ای برای برنامه «داده‌های عمومی برای سلامت» دارید، با نشانی [email protected]⁠ با ما در تماس باشید. برای دریافت تازه‌ترین اخبار برنامه‌ها و فرصت‌های تأمین مالی ما، می‌توانید اینجا⁠ در خبرنامه عضو شوید.

اگر علاقه‌مندید تمام‌وقت روی مسائلی مانند موضوعات مطرح‌شده در این مطلب کار کنید، اکنون برای چهار موقعیت شغلی موجود⁠ در تیم علوم زیستی و درمان بیماری‌ها نیرو می‌پذیریم.