Pampublikong Datos para sa Health

Noong Abril, inilunsad namin⁠ ang AI para sa Alzheimer’s, ang unang programa ng OpenAI Foundation sa Mga Agham ng Buhay at Paggamot sa mga Sakit. Ngayon, ipinakikilala namin ang aming ikalawang programang pang-agham: Pampublikong Datos para sa ChatGPT Health.

Ang pokus namin sa AI for Alzheimer’s ay tutukan ang isang sakit na nakaaapekto sa maraming pamilya, kung saan naniniwala kaming makatutulong ang AI sa mga siyentipiko na makabuo ng mas mahuhusay na paggamot. Ang pokus namin sa Public Data for Health ay isulong ang pag-unlad sa iba’t ibang larangan ng agham ng buhay, para sa maraming sakit, sa pamamagitan ng pagpopondo sa paglikha at pangangalaga ng de-kalidad na siyentipikong dataset na malawakang magagamit ng mga mananaliksik.

Ang siyentipikong datos ay mga obserbasyon tungkol sa mundong nakapaligid sa atin, ang pangunahing batayan para sa pananaliksik at pagtuklas. Sa mga larangan kung saan mapapatunayan ang mga pambihirang pagsulong nang hindi nangangalap ng bagong datos, gaya ng ilang bahagi ng matematika, kamakailan lamang ay nagsimulang mag-ambag⁠ ang mga AI system ng bagong⁠ kaalaman⁠. Samantala, sa biyolohiya, lalong nagkakaroon ng kakayahang suriin ang biyolohikal na impormasyon nang malawakan at tuklasin ang nakatagong istruktura kahit mula sa hindi kumpletong ebidensiya, kung minsan ay may kahanga-hangang kahusayan ang mga AI system.

Gayunpaman, inaasahan naming maraming natitirang tagumpay sa pagpigil at paggamot sa sakit ang magmumula sa pagsasama ng katalinuhan ng mga bagong modelo at mas maraming obserbasyon sa mundo—sa madaling salita, mas maraming datos.

Maaaring hindi kailanman malikha o maibahagi ang ilang dataset na may napakalaking pampublikong halaga dahil walang iisang institusyon na may sapat na insentibo o kapasidad upang pondohan ang mga ito. Dahil dito, ang pagsuporta sa pampublikong datos para sa kalusugan ay lubos na angkop para sa OpenAI Foundation.

Ang aming mga unang gawad

Nagsisimula kami sa pagsuporta sa mahigit $125 milyong gawad sa unang pangkat ng mga nonprofit at unibersidad, na sumasaklaw sa maraming antas ng datos: mula sa mga molekula, hanggang sa epidemiolohiya, hanggang sa kaalamang pangregulasyon.

Narito ang ilang halimbawa ng mga proyektong sinusuportahan namin:

1. OpenADMET⁠ ay lilikha ng mga bukas na dataset, pamantayan, at mga nakatagong kompetisyon upang subukan kung maaaring sanayin ang mga AI na modelo na hulaan kung paano nasisipsip at naipapamahagi sa buong katawan ang maliliit na molekula, upang gawing mas mahuhulaan ang pagbuo ng gamot at mabawasan ang antas ng pagkabigo ng mga bagong gamot.

   90% ng mga kandidatong gamot ay nabibigo sa mga klinikal na pagsubok⁠. Madalas itong dulot ng hirap sa paghula kung paano sila masisipsip at kikilos sa loob ng katawan—ang kanilang “mga katangiang ADMET”⁠. Ang mga hindi pa nalulutas na hamon sa prediksyon tulad nito ay maaaring angkop para sa AI kapag isinama sa de-kalidad na datos na magsisilbing batayan ng katumpakan ng mga prediksyon mula sa iba’t ibang modelo. Halimbawa, binago ng AlphaFold2 ang paghula sa istruktura ng protina gamit ang datos mula sa Protein Data Bank⁠, sa isang kompetisyon laban sa ibang pamamaraan ng pagmomodelo na pinamamahalaan ng CASP⁠. Ang paghula sa istruktura ng protina ay kasama na ngayon sa maraming programa sa pagtuklas ng gamot na malamang na magbibigay ng pakinabang sa mga pasyente.

   Upang mas mahusay na mahulaan ang mga katangian ng ADMET ng mga kandidatong gamot, bubuo ang pangkat ng OpenADMET ng de-kalidad na mga dataset upang maging batayan ng mga bagong modelo sa panghuhula, at magsasagawa ng mga bukas na hamon na maaaring salihan ng mga mananaliksik sa buong mundo.

   

   “Ang pagtuklas ng gamot ay puno ng mga pangkalahatang suliranin na hindi kayang lutasin nang mag-isa ng alinmang kumpanya o akademikong laboratoryo na nagsisikap makahanap ng lunas para sa isang partikular na sakit,” sabi ni James Fraser, PhD, kasapi ng Lupon ng Pamamahala ng OpenADMET at Propesor at Tagapangulo ng Bioengineering and Therapeutic Sciences sa UCSF. “Binuo ang OpenADMET upang tugunan ang mga suliraning ito sa paraang bukas at handa para sa machine learning. Nasasabik kaming makabuo ng batayang suson na magbibigay-daan sa AI na lubos na mapabilis ang pagbuo ng mga bagong paggamot.”

2. Ang CTD Commons⁠ ay magpapanatili at maglalathala ng kaalamang pangregulasyon mula sa mga nabigong programa sa pagbuo ng gamot upang matuto ang mga susunod na team mula sa mga nauna na karaniwang hindi naa-access, at makatulong na mas mabilis na matuklasan ang mabisang paggamot para sa mga pasyente.

   Ang CTD, o Common Technical Document, ay dokumentong nagbubuklod sa buong paglalakbay ng isang iniimbestigahang gamot—lahat mula sa toksikolohiya sa hayop, mga detalye ng pagmamanupaktura, at, marahil ang pinakamahalaga, pakikipag-ugnayan sa FDA. Gayunpaman, maliit na bahagi lamang ng gawaing iyon ang lumalabas sa mga nailathalang papel.

   Susubukan ng CTD Commons ang posibilidad na makakuha ng mga CTD mula sa mga nabigo o isinaisantabing programa sa pagpapaunlad ng gamot, at gagawing malayang magagamit ang mga ito para sa pananaliksik at pagsusuri, para magamit ng lahat.

   “Ang bawat pagsusumite sa FDA ay kumakatawan sa pagsusumikap at mga sakripisyong ginawa ng mga mananaliksik, tagasuri, at kalahok sa pag-aaral. Kahit hindi magtagumpay ang mga pagsisikap na ito, hindi dapat masayang ang mahalagang impormasyong nalilikha ng mga ito,” ayon kay Josh Morrison, pangunahing tagapag-organisa ng CTD Commons at Pangulo ng 1Day Sooner. “Babawasan ng CTD Commons ang pagdodoble ng gawain at gastos, at palalakihin ang epekto ng klinikal na pananaliksik.”

3. Ang UNC⁠ ay magtatatag ng Initiative for Generative Immunotherapy, na lilikha ng pampubliko at multimodal na datos, upang makatulong na makamit ang hinaharap kung saan ang mga pasyenteng may kanser ay makakakuha ng mabilis na isinapersonal na mga bakuna laban sa kanser kapag sila ay na-diagnose.

   Ang mga bakunang “neoantigen” laban sa kanser ngayon ay kabilang sa iilang gamot na idinisenyo sa pamamagitan ng komputasyon para sa bawat pasyente, sa pamamagitan ng pagse-sequence ng tumor cell upang mahulaan kung aling mga target na partikular sa tumor ang nakalantad sa ibabaw nito. Ngunit ang pagse-sequence na iyon ay pamalit lamang sa realidad, dahil mahirap at magastos na sukatin ang mga target sa ibabaw ng selula nang direkta, at higit pa rito, suriin kung gaano kalakas tumutugon ang immune system ng pasyente sa bawat isa sa mga protinang iyon.

   Bubuuin ng UNC ang mga nawawalang ugnayan na iyon sa daan-daang tumor at maraming iba’t ibang uri ng kanser, na lilikha ng isa sa mga unang dataset para sa pagsasanay at pagsusuri sa larangang ito, na may pampublikong datos na inalisan ng pagkakakilanlan upang mapagbatayan ng mga mananaliksik sa buong mundo.

   “Sa wakas ay nagsisimula nang magpakita ng mga palatandaan ng klinikal na bisa ang mga isinapersonal na bakuna laban sa kanser, ngunit may mga puwang pa rin na maaaring abutin ng ilang dekada bago mapunan sa ilalim ng tradisyonal na modelo ng pagbuo ng paggamot. Makakatulong ang de-kalidad na datos upang mas mabilis naming mapunan ang mga puwang na iyon,” sabi ni Alex Rubinsteyn, PhD, Assistant Professor ng Genetics, UNC School of Medicine. “Nasasabik kaming paikliin ang panahong ito at tumulong na gawing realidad ang mga isinapersonal na immunotherapy para sa lahat.”

   

Ang aming unang estratehiya

Inaasahan naming magiging lubos na mahalaga ang seksyong ito para sa mga mananaliksik na interesado sa mga oportunidad sa gawad ng OpenAI Foundation sa hinaharap.

Mas marami pang siyentipikong datos na mahalagang makolekta kaysa sa kayang suportahan ng alinmang iisang tagapagpondo. Kaya, gusto naming magbahagi rito sa komunidad ng pananaliksik ng higit pang impormasyon tungkol sa mga uri ng datos na pinaniniwalaan naming magiging pinakamakikinabang sa suporta ng OpenAI Foundation.

Ang aming mga panimulang hinuha tungkol sa datos na pagtutuunan ay: magkakaugnay na datos, kaunting datos, at direktang datos. Ang mga dataset na aming popondohan ay karaniwang magkakaroon ng isa o dalawa sa mga katangiang ito, na inilalarawan nang mas detalyado sa ibaba, at sa mga bihirang pagkakataon ay nagtataglay ng tatlong katangiang ito.

Sa lahat ng dataset, naniniwala kami na ang gawing malawakan ang pag-access sa data, habang tinitiyak ang pribasiya kapag may kaugnayan ito sa data ng pasyente, ay magiging lalong mahalaga. Magbibigay-daan ito sa mga mananaliksik na buuin ang kanilang gawain batay sa gawain ng isa’t isa, at sa pag-usbong ng siyentipikong pag-unlad mula sa mga hindi inaasahang lugar.

1. Magkakaugnay na data: Pagsubaybay sa biyolohiya sa maraming hakbang

   Nagaganap ang biyolohiya sa iba't ibang antas, ngunit karamihan sa mga dataset ng agham ng buhay ay sumasaklaw lamang sa isang bahagi ng realidad. Maaaring sukatin ng atlas ng mga selula ang mga molekula sa libo-libong selula, habang sinusubaybayan ng imaging ng iisang molekula ang iisang selula lamang. Mahalaga ang parehong pananaw, ngunit dahil ang mga ganitong dataset ay karaniwang nililikha nang magkahiwalay, maaaring abutin ng maraming taon ang karagdagang gawain upang matukoy kung paano nagkakaugnay ang mga resultang siyentipiko. Gusto naming suportahan ang mga indibidwal na pangkat ng pananaliksik na sadyang lumipat sa pagitan ng mga antas na ito at lumikha ng mayaman at magkakaugnay na mga dataset kung saan nagpapatibay sa isa't isa ang iba't ibang layer.

   Halimbawa, ang aming gawad sa UCSF ay magbibigay-daan upang masukat ng team ng OpenADMET ang mahahalagang molekular na katangian at interaksyon ng sampu-sampung libong compound. Pagkatapos, iuugnay ng team ang malawak na pag-profile na ito sa dalawang pananaw sa transportasyon ng gamot: mga istruktura ng mga naglilipat na protina na eksperimental na natukoy, na may nakakabit na piling molekula, at mga pagsusuring sumusukat kung paano nakikipag-ugnayan ang mga protinang ito sa mga molekula ayon sa kanilang paggana. Sa huli, susubukan nila ang isang subset ng mga compound na ito sa mga modelo ng blood-brain barrier ng tao, at ihahambing ang mga resultang iyon sa mga in vivo na pagsukat sa hayop.

   Ang pamamaraang ito sa pangongolekta ng datos ay lilikha ng lubhang kumpletong paglalarawan ng mga salik na tumutukoy sa paggalaw ng gamot sa katawan—na magbibigay-daan sa mas mahusay na prediksyon mula sa mga modelo ng AI sa antas na mahalaga sa atin bilang tao.

2. Kakaunting datos: Pag-iingat sa hindi na muling malilikha

   Walang AI sa hinaharap, gaano man ito kahusay, ang makababalik upang obserbahan ang mga biyolohikal na pangyayaring nagaganap sa mga partikular at natatanging sandali—gaya ng mga sanhi ng pagkamatay at pagkakasakit sa mga bansang walang mapagkakatiwalaang estadistika ng mahahalagang pangyayari sa buhay, o ang nilalaman ng mga biyolohikal na sample mula sa mga pasyente sa mga partikular na sandali na ngayon ay lumipas na. Puno ang biyolohiya ng mga ganitong pintuang hindi na mababalikan, at maaaring makahanap ang mga gagawa ng modelo sa hinaharap ng gamit para sa naturang ebidensiya na hindi pa mahuhulaan ng mga mananaliksik ngayon. Samakatuwid, lalo kaming interesado sa mga panukalang nangangalap o nagpapanatili ng mahalagang datos bago mawala ang pagkakataon, o ginagawang malawakang magagamit ang umiiral na mga pribadong dataset na hindi na kailanman muling malilikha, habang ginagalang ang pribasiya at pahintulot ng bawat indibidwal.

   Halimbawa, sisiyasatin ng aming gawad para sa CTD Commons kung maaaring mailigtas ang mga talaan ng mga nabigong programa sa pagpapaunlad ng gamot bago magsara ang mga kumpanya at mawala ang mga talaang iyon. Sa maikling panahon, maaaring makatulong ang mga dokumentong ito sa mga pangkat na nasa maagang yugto ng pagpapaunlad ng gamot na maunawaan ang mga hinihingi ng mga tagapagpatupad mula sa mga katulad na produkto, sa halip na matuto sa pamamagitan ng magastos na pagsubok at pagkakamali. Sa pangmatagalang panahon, maaaring magsilbing sanggunian ang mga dokumento para sa mga machine learning system upang matuklasan ang mga proseso kung bakit nabibigo o nagtatagumpay ang mga gamot, na makatutulong sa pagpapabuti ng regulasyon o mga estratehiya sa pagsubok at magbibigay-daan sa mga pasyente na makinabang mula sa mga bagong paggamot nang mas maaga.

3. Direktang datos: Pagsukat sa mga biyolohikal at klinikal na kalagayang pinakamalapit sa mga bagay na mahalaga

   Ginugol ng biyolohiya ang malaking bahagi ng kasaysayan nito sa pagsukat ng mga bagay na madali o murang sukatin. Halimbawa: pagsukat ng datos ng indibidwal na selula sa halip na klinikal na datos ng tao, o ng ekspresyon ng RNA sa halip na mga protina. Napakalaking pakinabang ang naidulot ng mga pamalit na panukat na ito, ngunit maaari rin silang mawalan ng kaugnayan sa mga layunin ng pag-unawa sa biyolohiya at ng pag-iwas at paggamot sa sakit. Sa mga ganitong sitwasyon, gusto naming bigyan ang mga mananaliksik ng mga mapagkukunang kailangan nila upang bumuo ng mga pangkat ng datos na sumusukat sa pinakamahalagang bagay. Maaari ding wala pa ang mga kinakailangang instrumento upang sukatin ang “biyolohikal na katotohanan,” o maaaring napakamahal gamitin ang mga ito nang malawakan. Sa loob ng programang ito, umaasa kaming masuportahan ang parehong inisyatibo—bagong data at mga bagong kasangkapan.

   Halimbawa, ang aming gawad sa UNC upang itatag ang Initiative for Generative Immunotherapy ay magbibigay-daan sa pangkat sa UNC Lineberger at UNC ChatGPT Health na makalikha ng datos na nakabatay sa tao na kinakailangan upang mapahusay ang susunod na henerasyon ng mga bakuna laban sa kanser. Ang ibig sabihin nito ay ang direktang pagsukat sa mga protina sa ibabaw ng mga selula ng tumor, pati na sa mga tugon ng T cell ng mga pasyente, sa halip na “pagse-sequence lamang” ng tumor. Mahal ang paglikha ng datos na ito; sa pamamagitan ng komprehensibong paggawa nito sa pagkakataong ito at paggawa ng mga resulta na bukas, umaasa kaming makikinabang ang lahat ng pagsisikap para sa mga bakuna laban sa kanser sa hinaharap. Sa partikular, kung magiging matagumpay ang proyektong ito, makapagsimula ang mga kandidatong bakuna sa hinaharap ng pagbibigay ng dosis sa tao nang may mas matibay na hanay ng mga target. Dapat nitong mapabuti ang kanilang mga pagkakataong maging epektibo, at madagdagan ang maaaring matutunan kapag hindi sila naging epektibo.

Tinitiyak na naa-access ng mga mananaliksik ang data

Sa huli, sa lahat ng aming gawad, tinitiyak namin na ang mga resultang dataset ay maging kasing naa-access hangga't maaari para sa mga mananaliksik sa buong mundo.

Sa malaking bahagi ng kasaysayan ng agham, ang pagsubok sa mga haypotesis ay pangunahing hadlang sa pagtuklas. Limitado lamang ang magagamit na “intelligence” upang ilaan sa mga problema—isang tiyak na bilang ng mga nagtapos na estudyante at siyentistang propesyonal, na bumubuo ng datos at nagsusuri sa datos na iyon kaugnay ng isang problema. Pinawawalang-bisa ng patuloy na pag-unlad ng AI sa pagko-code at pagsusuri ng data ang palagay na iyon. Maaaring lubos na mapalawak ang pagsusuri ng data, at maaaring lumitaw ang mahahalagang kaalaman mula sa mga pakikipagtulungan na mahirap mahulaan sa oras na mabuo ang data.

Ang aming misyon ay tiyaking makikinabang ang buong sangkatauhan sa artificial general intelligence. Ang siyentipikong datos na nalikha sa aming suporta ay dapat gawing malawakang magagamit, habang pinapanatili ang pribasiya at pahintulot ng mga indibidwal saanman sangkot ang datos ng tao. Ngunit ang kakayahang ma-access ay higit pa sa simpleng paglalabas ng hilaw na datos. Hinihikayat namin ang mga tumatanggap ng gawad na ilathala ang kanilang mga pagsusuri sa pamamagitan ng mga preprint, regular na magbahagi ng datos sa halip na sa huli lamang, at, kung ang datos ng tumatanggap ng gawad ay hindi “magkakaugnay”, makipagtulungan sa mga gumagamit ng data upang suriin ang kapakinabangan nito sa mga suliraning mahalaga sa biyolohiya.

Iteratibong pagkatuto

Inilalahad ng post na ito ang aming unang pananaw tungkol sa Public Data for ChatGPT Health. Aktibo naming ina-update ang aming mga pananaw habang umuunlad ang agham at AI, at batay sa mga pag-uusap namin sa iba sa komunidad ng pananaliksik.

Kung may mga ideya kayo para sa Public Data for ChatGPT Health, hinihikayat namin kayong makipag-ugnayan sa [email protected]⁠. Maaari kayong mag-subscribe sa aming newsletter dito⁠ para sa mga susunod na update tungkol sa aming mga programa at pagpopondo.

Kung interesado kang pag-isipan nang full-time ang mga problemang tulad ng mga tinalakay sa post na ito, kasalukuyan kaming naghahanap ng mga aplikante para sa apat na bakanteng posisyon⁠ sa pangkat na Life Sciences and Curing Diseases.