Julkinen data terveyden hyväksi

Huhtikuussa käynnistimme⁠ AI for Alzheimer’s -ohjelman, joka on OpenAI Foundationin ensimmäinen biotieteiden ja sairauksien parantamisen ohjelma. Tänään esittelemme toisen tiedeohjelmamme: Julkinen data terveyden hyväksi.

AI for Alzheimer’s -ohjelmassa keskitymme yhteen monia perheitä koskettavaan sairauteen, jonka parempien hoitojen kehittämisessä tekoäly voi mielestämme auttaa tutkijoita. Julkinen data terveyden hyväksi -ohjelmassa pyrimme edistämään biotieteitä ja monien sairauksien tutkimusta rahoittamalla laadukkaiden tieteellisten aineistojen luomista, säilyttämistä ja saattamista laajasti tutkijoiden käyttöön.

Tieteellinen data koostuu ympäröivää maailmaa koskevista havainnoista, jotka muodostavat tutkimuksen ja löytöjen perustan. Aloilla, joilla läpimurtoja voidaan todentaa ilman uuden datan keräämistä, kuten matematiikan tietyillä osa-alueilla, tekoälyjärjestelmät ovat viime aikoina alkaneet tuottaa⁠ uutta⁠ tietoa⁠. Biologiassa tekoälyjärjestelmät puolestaan pystyvät yhä paremmin analysoimaan biologista tietoa laajassa mittakaavassa ja paljastamaan piileviä rakenteita jopa puutteellisen näytön perusteella, toisinaan hämmästyttävän tehokkaasti.

Odotamme kuitenkin, että monet jäljellä olevat läpimurrot sairauksien ehkäisyssä ja hoidossa syntyvät yhdistämällä uusien mallien älykkyys entistä useampiin maailmaa koskeviin havaintoihin – toisin sanoen suurempaan datamäärään.

Joitakin yhteiskunnallisesti erittäin arvokkaita aineistoja ei ehkä koskaan luoda tai jaeta, koska yhdelläkään organisaatiolla ei ole riittäviä kannustimia tai valmiuksia niiden rahoittamiseen. Siksi terveyttä edistävän julkisen datan tukeminen sopii erinomaisesti OpenAI Foundationille.

Ensimmäiset apurahamme

Aloitamme myöntämällä ensimmäiselle joukolle voittoa tavoittelemattomia organisaatioita ja yliopistoja yhteensä yli 125 miljoonaa dollaria apurahoina. Hankkeet kattavat datan monet tasot molekyyleistä epidemiologiaan ja viranomaisvaatimuksia koskevaan tietoon.

Tässä on muutamia esimerkkejä tukemistamme hankkeista:

1. OpenADMET⁠ luo avoimia aineistoja, vertailutestejä ja sokkoutettuja kilpailuja, joissa selvitetään, voidaanko tekoälymalleja kouluttaa ennustamaan pienten molekyylien imeytymistä ja jakautumista elimistössä. Tavoitteena on tehdä lääkekehityksestä ennakoitavampaa ja vähentää uusien lääkkeiden epäonnistumisia.

   Lääkekandidaateista 90 % epäonnistuu kliinisissä tutkimuksissa⁠. Syynä on usein se, että niiden imeytymistä ja kulkeutumista elimistössä eli niiden ADMET-ominaisuuksia⁠ on vaikea ennustaa. Tällaiset ratkaisemattomat ennusteongelmat voivat sopia hyvin tekoälylle, kun käytettävissä on laadukasta dataa eri mallien ennusteiden tarkkuuden arvioimiseksi. Esimerkiksi AlphaFold2 mullisti proteiinirakenteiden ennustamisen hyödyntämällä Protein Data Bankin⁠ dataa CASP-järjestön⁠ järjestämässä eri mallinnusmenetelmien kilpailussa. Proteiinirakenteiden ennustaminen on nyt osa monia lääkekehitysohjelmia, joista potilaat todennäköisesti hyötyvät tulevaisuudessa.

   Lääkekandidaattien ADMET-ominaisuuksien ennustamisen parantamiseksi OpenADMET-tiimi kehittää laadukkaita aineistoja uusien ennustemallien perustaksi ja järjestää avoimia haasteita tutkijoille ympäri maailmaa.

   

   ”Lääkekehitys on täynnä yleisiä ongelmia, joita yksittäinen tietyn sairauden parantamiseen keskittyvä yritys tai yliopistolaboratorio ei pysty ratkaisemaan yksin”, sanoi OpenADMETin hallintoneuvoston jäsen sekä UCSF:n biotekniikan ja terapeuttisten tieteiden professori ja laitoksen johtaja James Fraser, PhD. ”OpenADMET luotiin ratkaisemaan näitä ongelmia avoimesti ja koneoppimiseen soveltuvalla tavalla. Olemme innoissamme mahdollisuudesta rakentaa perusta, jonka avulla tekoäly voi nopeuttaa uusien hoitojen kehittämistä merkittävästi.”

2. CTD Commons⁠ säilyttää ja julkaisee epäonnistuneiden lääkekehitysohjelmien viranomaisvaatimuksia koskevaa tietoa, jotta tulevat tiimit voivat hyödyntää yleensä piiloon jääviä ennakkotapauksia ja löytää potilaille tehokkaita hoitoja nopeammin.

   CTD eli yhteinen tekninen asiakirja kokoaa yhteen tutkimuslääkkeen koko kehityskaaren: eläinkokeiden toksikologiset tulokset, valmistustiedot ja kenties hyödyllisimpänä kirjeenvaihdon FDA:n kanssa. Tästä työstä kuitenkin vain pieni osa päätyy julkaistuihin tutkimusartikkeleihin.

   CTD Commons selvittää, voidaanko epäonnistuneiden tai keskeytettyjen lääkekehitysohjelmien CTD-asiakirjoja hankkia ja saattaa avoimesti kaikkien saataville tutkimusta ja analysointia varten.

   ”Jokainen FDA:lle toimitettu hakemus edustaa tutkijoiden, arvioijien ja tutkimuksiin osallistuneiden kovaa työtä ja uhrauksia. Vaikka nämä hankkeet epäonnistuisivat, niiden tuottamaa arvokasta tietoa ei pidä heittää hukkaan”, totesi CTD Commonsin johtava organisoija ja 1Day Sooner -järjestön puheenjohtaja Josh Morrison. ”CTD Commons vähentää päällekkäistä työtä ja kustannuksia sekä maksimoi kliinisen tutkimuksen vaikutukset.”

3. UNC⁠ perustaa generatiivisen immunoterapian hankkeen, jossa luodaan julkista multimodaalista dataa. Tavoitteena on tulevaisuus, jossa syöpäpotilas voi saada diagnoosin jälkeen nopeasti yksilöllisen syöpärokotteen.

   Nykyiset neoantigeeneihin perustuvat syöpärokotteet ovat harvoja lääkkeitä, jotka suunnitellaan laskennallisesti kullekin potilaalle sekvensoimalla kasvainsolu ja ennustamalla, mitkä kasvainkohtaiset kohteet näkyvät sen pinnalla. Sekvensointi on kuitenkin vain todellisuuden sijaismittari, sillä solun pinnan kohteiden mittaaminen suoraan on vaikeaa ja kallista. Lisäksi on selvitettävä, kuinka voimakkaasti potilaan immuunijärjestelmä reagoi kuhunkin näistä proteiineista.

   UNC tuottaa nämä puuttuvat yhteydet sadoista kasvaimista ja useista syöpätyypeistä. Näin syntyy yksi alan ensimmäisistä koulutus- ja arviointiaineistoista, jonka tunnisteettomia julkisia tietoja tutkijat ympäri maailmaa voivat hyödyntää.

   ”Yksilölliset syöpärokotteet alkavat vihdoin osoittaa kliinistä tehoa, mutta niissä on yhä puutteita, joiden korjaaminen perinteisellä lääkekehitysmallilla voisi kestää vuosikymmeniä. Laadukas data voi auttaa korjaamaan nämä puutteet nopeammin”, sanoi UNC School of Medicinen genetiikan apulaisprofessori Alex Rubinsteyn, PhD. ”Olemme innoissamme mahdollisuudesta lyhentää aikataulua ja auttaa tekemään yleisesti tehokkaista yksilöllisistä immunoterapioista todellisuutta.”

   

Alustava strategiamme

Uskomme tämän osion olevan erityisen hyödyllinen tutkijoille, joita OpenAI Foundationin tulevat apurahat kiinnostavat.

Kerättävissä olisi huomattavasti enemmän arvokasta tieteellistä dataa kuin yksikään rahoittaja voi tukea. Siksi haluamme kertoa tutkimusyhteisölle tarkemmin, millaisen datan kohdalla OpenAI Foundationin tuki voi mielestämme olla hyödyllisintä.

Alustavasti keskitymme yhdistettyyn dataan, niukkaan dataan ja suoraan dataan. Rahoittamillamme aineistoilla on yleensä yksi tai kaksi näistä jäljempänä tarkemmin kuvatuista ominaisuuksista, ja harvinaisissa tapauksissa kaikki kolme.

Kaikkien aineistojen kohdalla pidämme yhä tärkeämpänä sitä, että data on laajasti saatavilla ja potilastietojen yksityisyys turvataan, kun aineistoon sisältyy sellaisia tietoja. Näin tutkijat voivat hyödyntää toistensa työtä ja tieteellisiä edistysaskelia voi syntyä odottamattomissa paikoissa.

1. Yhdistetty data: biologian seuraaminen useiden vaiheiden läpi

   Biologiset ilmiöt tapahtuvat eri mittakaavoissa, mutta useimmat biotieteelliset aineistot kuvaavat vain yhtä osaa todellisuudesta. Solukartasto voi mitata molekyylejä tuhansista soluista, kun taas yksittäisten molekyylien kuvantaminen seuraa vain yhtä solua. Molemmat näkökulmat ovat arvokkaita, mutta koska tällaiset aineistot luodaan yleensä erillään, tieteellisten tulosten keskinäisten yhteyksien selvittäminen voi vaatia vuosien jatkotutkimuksia. Haluamme auttaa yksittäisiä tutkimusryhmiä siirtymään suunnitelmallisesti mittakaavasta toiseen ja luomaan monipuolisia, yhdistettyjä aineistoja, joiden eri tasot tukevat toisiaan.

   Esimerkiksi UCSF:lle myöntämämme apurahan avulla OpenADMET-tiimi voi mitata kymmenientuhansien yhdisteiden keskeisiä molekyyliominaisuuksia ja vuorovaikutuksia. Tiimi yhdistää tämän laajan profiloinnin kahteen näkökulmaan lääkkeiden kuljetuksesta: kokeellisesti määritettyihin kuljettajaproteiinien rakenteisiin, joihin valitut molekyylit ovat sitoutuneet, sekä määrityksiin, joilla mitataan proteiinien toiminnallista vuorovaikutusta molekyylien kanssa. Lopuksi tiimi testaa osaa yhdisteistä ihmisen veri-aivoesteen malleissa ja vertaa tuloksia eläimistä in vivo tehtyihin mittauksiin.

   Tällä tiedonkeruutavalla saadaan poikkeuksellisen kattava kuva siitä, mikä määrää lääkkeen kulkeutumisen elimistössä. Sen ansiosta tekoälymallit voivat ennustaa paremmin juuri meille ihmisille merkityksellisellä tasolla.

2. Niukka data: Korvaamattoman tiedon säilyttäminen

   Mikään tulevaisuuden tekoäly ei kyvyistään riippumatta voi palata tarkkailemaan tiettyinä ainutkertaisina hetkinä tapahtuneita biologisia ilmiöitä. Tällaisia ovat esimerkiksi kuoleman ja sairastavuuden syyt maissa, joissa ei ole luotettavia väestötilastoja, tai potilaista tiettyinä jo menneinä hetkinä otettujen biologisten näytteiden sisältö. Biologia on täynnä tällaisia peruuttamattomia tilanteita, ja tulevat mallintajat voivat löytää tälle näytölle käyttötapoja, joita nykyajan tutkijat eivät osaa ennakoida. Olemme siksi erityisen kiinnostuneita ehdotuksista, joissa arvokasta dataa kerätään tai säilytetään ennen tilaisuuden katoamista tai joissa yksityisiä, korvaamattomia aineistoja saatetaan laajasti käyttöön yksityisyyttä ja henkilökohtaista suostumusta kunnioittaen.

   Esimerkiksi CTD Commonsille myöntämällämme apurahalla selvitetään, voidaanko epäonnistuneiden lääkekehitysohjelmien asiakirjat pelastaa ennen yritysten lopettamista ja asiakirjojen katoamista. Lyhyellä aikavälillä asiakirjat voivat auttaa varhaisen vaiheen lääkekehitystiimejä ymmärtämään, mitä viranomaiset ovat vaatineet vastaavilta tuotteilta, jotta heidän ei tarvitse oppia kalliiden kokeilujen ja erehdysten kautta. Pitkällä aikavälillä asiakirjat voivat auttaa koneoppimisjärjestelmiä löytämään lääkkeiden epäonnistumiseen tai onnistumiseen liittyviä malleja. Näin ne voivat edistää viranomaismenettelyjen tai tutkimusstrategioiden parantamista ja tuoda uudet hoidot potilaiden saataville nopeammin.

3. Suora data: olennaisimpien biologisten ja kliinisten tilojen mittaaminen

   Suuren osan historiastaan biologiassa on mitattu asioita, joita on ollut helppoa tai halpaa mitata. Esimerkiksi yksittäisten solujen dataa on mitattu ihmisten kliinisen datan sijaan ja RNA:n ilmentymistä proteiinien sijaan. Nämä sijaismittarit ovat olleet erittäin hyödyllisiä, mutta ne voivat myös etääntyä biologian ymmärtämisen sekä sairauksien ehkäisemisen ja hoitamisen tavoitteista. Tällaisissa tapauksissa haluamme antaa tutkijoille resurssit aineistoihin, jotka mittaavat kaikkein olennaisimpia asioita. Voi myös olla, ettei biologisen totuuden mittaamiseen tarvittavia välineitä ole vielä olemassa tai että niiden laajamittainen käyttö on kohtuuttoman kallista. Toivomme voivamme tukea ohjelmassa molempia: sekä uutta dataa että uusia työkaluja.

   Esimerkiksi UNC:lle myöntämämme apuraha generatiivisen immunoterapian hankkeen perustamiseen antaa UNC Linebergerin ja UNC Healthin tiimille mahdollisuuden tuottaa ihmisiin perustuvaa dataa, jota tarvitaan seuraavan sukupolven syöpärokotteiden parantamiseen. Tämä tarkoittaa kasvainsolujen pintaproteiinien ja potilaiden T-soluvastetta mittaamista suoraan sen sijaan, että kasvain ”vain” sekvensoitaisiin. Tämän datan tuottaminen on kallista. Kun se nyt tehdään kattavasti ja tulokset julkaistaan avoimesti, toivomme kaikkien tulevien syöpärokotehankkeiden hyötyvän siitä. Jos hanke onnistuu, tulevien rokotekandidaattien annostelu ihmisille voidaan aloittaa erityisesti entistä vahvemman kohdejoukon pohjalta. Tämän pitäisi parantaa niiden onnistumismahdollisuuksia ja lisätä epäonnistumisista saatavaa tietoa.

Datan saattaminen tutkijoiden ulottuville

Kaikkien apurahojemme kohdalla varmistamme, että syntyvät aineistot ovat mahdollisimman laajasti tutkijoiden saatavilla kaikkialla maailmassa.

Suurimman osan tieteen historiasta hypoteesien testaaminen on ollut löytöjä rajoittava keskeinen pullonkaula. Ongelmien ratkaisemiseen oli käytettävissä vain rajallinen määrä ”älykkyyttä”: tietty määrä jatko-opiskelijoita ja ammattitutkijoita, jotka tuottivat ja analysoivat ongelmaan liittyvää dataa. Tekoälyn jatkuva kehitys ohjelmoinnissa ja data-analyysissä murtaa tämän oletuksen. Dataa voidaan ehkä analysoida huomattavasti laajemmin, ja oivalluksia voi syntyä yhteistyöstä, jota dataa tuotettaessa on vaikea ennakoida.

Tehtävämme on varmistaa, että yleinen tekoäly hyödyttää koko ihmiskuntaa. Tuellamme tuotettu tieteellinen data on saatettava laajasti käyttöön, mutta ihmisiä koskevien tietojen kohdalla on aina turvattava yksityisyys ja suostumus. Saatavuus ei kuitenkaan rajoitu pelkästään tietojen julkaisemiseen. Kannustamme apurahansaajia julkaisemaan analyysinsä esijulkaisuina ja jakamaan dataa säännöllisesti eikä vasta hankkeen lopussa. Jos saajan data ei ole ”yhdistettyä”, kannustamme tekemään yhteistyötä datan käyttäjien kanssa sen hyödyllisyyden arvioimiseksi biologisesti merkittävissä ongelmissa.

Iteratiivinen oppiminen

Tässä kirjoituksessa esittelemme Julkinen data terveyden hyväksi -ohjelman alustavat linjaukset. Päivitämme näkemyksiämme aktiivisesti tieteen ja tekoälyn kehittyessä sekä tutkimusyhteisön kanssa käymiemme keskustelujen pohjalta.

Jos sinulla on ideoita Julkinen data terveyden hyväksi -ohjelmaa varten, ota yhteyttä osoitteeseen [email protected]⁠. Voit tilata uutiskirjeemme täältä⁠ ja saada jatkossa tietoa ohjelmistamme ja rahoituksestamme.

Jos tässä kirjoituksessa käsiteltyjen kaltaisten ongelmien pohtiminen kokopäiväisesti kiinnostaa sinua, haemme parhaillaan työntekijöitä biotieteiden ja sairauksien parantamisen tiimin neljään avoimeen tehtävään⁠.