Données publiques pour la santé

En avril, nous avons lancé⁠ L’IA contre l’Alzheimer, le premier programme d’OpenAI Foundation consacré aux sciences de la vie et au traitement des maladies. Aujourd’hui, nous présentons notre deuxième programme scientifique : Données publiques pour la santé.

Avec L’IA contre l’Alzheimer, nous ciblons une maladie qui touche de nombreuses familles et pour laquelle nous croyons que l’IA peut aider les scientifiques à concevoir de meilleurs traitements. Avec Données publiques pour la santé, nous cherchons à favoriser les progrès dans l’ensemble des sciences de la vie et pour de nombreuses maladies, en finançant la création et la préservation de jeux de données scientifiques de haute qualité largement accessibles aux chercheurs.

Les données scientifiques sont des observations sur le monde qui nous entoure; elles constituent le fondement de la recherche et de la découverte. Dans les domaines où les percées sont vérifiables sans recueillir de nouvelles données, comme certaines branches des mathématiques, les systèmes d’IA ont récemment commencé à apporter⁠ de nouvelles⁠ connaissances⁠. En biologie, les systèmes d’IA sont quant à eux de plus en plus capables d’analyser à grande échelle l’information biologique et de révéler des structures cachées, même à partir de données incomplètes, parfois avec une efficacité étonnante.

Cependant, nous nous attendons à ce que de nombreuses autres percées dans la prévention et le traitement des maladies découlent de la combinaison de l’intelligence des nouveaux modèles et d’un plus grand nombre d’observations du monde — autrement dit, de plus de données.

Certains jeux de données d’une immense valeur publique pourraient ne jamais être créés ni diffusés, parce qu’aucun établissement n’a à lui seul les incitatifs ou les moyens suffisants pour les financer. Le soutien aux données publiques pour la santé cadre donc parfaitement avec la mission d’OpenAI Foundation.

Nos premières subventions

Nous commençons par accorder plus de 125 millions de dollars en subventions à un premier groupe d’organismes sans but lucratif et d’universités, couvrant de nombreuses couches de données : des molécules à l’épidémiologie, en passant par les connaissances réglementaires.

Voici quelques exemples des projets que nous soutenons :

1. OpenADMET⁠ créera des jeux de données ouverts, des référentiels et des concours à l’aveugle afin de vérifier si des modèles d’IA peuvent apprendre à prédire comment de petites molécules sont absorbées et distribuées dans l’organisme, pour rendre la mise au point de médicaments plus prévisible et réduire le taux d’échec des nouveaux médicaments.

   90 % des médicaments candidats échouent lors des essais cliniques⁠. Cela tient souvent à la difficulté de prédire comment ils seront absorbés et se déplaceront dans l’organisme — leurs propriétés « ADMET »⁠. De tels défis de prédiction non résolus peuvent bien se prêter à l’IA lorsqu’elle est jumelée à des données de haute qualité permettant de vérifier l’exactitude des prédictions de différents modèles. Par exemple, AlphaFold2 a transformé la prédiction de la structure des protéines grâce aux données de la Protein Data Bank⁠, dans le cadre d’un concours organisé par CASP⁠ qui l’opposait à d’autres méthodes de modélisation. La prédiction de la structure des protéines est maintenant intégrée à de nombreux programmes de découverte de médicaments qui profiteront probablement aux patients.

   Pour mieux prédire les propriétés ADMET des médicaments candidats, l’équipe d’OpenADMET créera des jeux de données de haute qualité pour étayer de nouveaux modèles prédictifs et organisera des défis ouverts auxquels pourront participer des chercheurs du monde entier.

   

   « La découverte de médicaments comporte de nombreux problèmes universels qu’aucune entreprise ni aucun laboratoire universitaire souhaitant guérir une maladie précise ne peut résoudre seul, a déclaré James Fraser, Ph.D., membre du conseil d’administration d’OpenADMET, professeur et directeur du Département de bio-ingénierie et de sciences thérapeutiques de l’UCSF. OpenADMET a été créé pour résoudre ces problèmes de façon ouverte et adaptée à l’apprentissage automatique. Nous sommes ravis de pouvoir bâtir la couche fondamentale qui permettra à l’IA d’accélérer considérablement la mise au point de nouveaux traitements. »

2. CTD Commons⁠ préservera et publiera les connaissances réglementaires issues de programmes de développement de médicaments ayant échoué, afin que les équipes futures puissent tirer des leçons de précédents habituellement gardés sous clé et découvrir plus rapidement des traitements efficaces pour les patients.

   Un CTD, ou dossier technique commun, est un document qui retrace le parcours complet d’un médicament expérimental — notamment la toxicologie animale, les détails de fabrication et, ce qui est peut-être le plus utile, la correspondance avec la FDA. Pourtant, seule une petite partie de ce travail paraît dans des articles publiés.

   CTD Commons évaluera la possibilité d’acquérir des CTD provenant de programmes de développement de médicaments ayant échoué ou ayant été abandonnés, puis de les rendre librement accessibles à tous à des fins de recherche et d’analyse.

   « Chaque dossier soumis à la FDA représente un travail acharné et des sacrifices de la part des chercheurs, des évaluateurs et des participants aux études. Même lorsque ces efforts échouent, les précieux renseignements qu’ils produisent ne devraient pas être gaspillés, » explique Josh Morrison, principal organisateur de CTD Commons et président de 1Day Sooner. « CTD Commons réduira le dédoublement et les coûts, tout en maximisant les retombées de la recherche clinique. »

3. UNC⁠ mettra sur pied l’Initiative pour l’immunothérapie générative et créera des données publiques multimodales afin de contribuer à un avenir où les patients atteints de cancer pourront recevoir rapidement des vaccins anticancéreux personnalisés dès leur diagnostic.

   Les vaccins anticancéreux à « néoantigènes » actuels comptent parmi les rares médicaments conçus informatiquement pour chaque patient : une cellule tumorale est séquencée pour prédire quelles cibles propres à la tumeur sont présentes à sa surface. Toutefois, ce séquençage n’est lui-même qu’une approximation de la réalité, car il est difficile et coûteux de mesurer directement les cibles à la surface de la cellule, puis de vérifier l’intensité de la réaction du système immunitaire d’un patient à chacune de ces protéines.

   UNC établira ces liens manquants pour des centaines de tumeurs et plusieurs types de cancer, créant ainsi l’un des premiers jeux de données d’entraînement et d’évaluation du domaine, à partir de données publiques dépersonnalisées que pourront exploiter des chercheurs du monde entier.

   « Les vaccins anticancéreux personnalisés commencent enfin à montrer des signes d’efficacité clinique, mais il pourrait falloir des décennies pour combler les lacunes restantes selon le modèle traditionnel de développement thérapeutique. Des données de haute qualité peuvent nous aider à les combler plus rapidement, a déclaré Alex Rubinsteyn, Ph.D., professeur adjoint de génétique à l’École de médecine de l’UNC. Nous sommes ravis d’accélérer cet échéancier et de contribuer à faire des immunothérapies personnalisées généralement efficaces une réalité. »

   

Notre stratégie initiale

Nous croyons que cette section sera particulièrement pertinente pour les chercheurs intéressés par de futures possibilités de subventions d’OpenAI Foundation.

La quantité de données scientifiques qu’il serait utile de recueillir dépasse largement ce que peut financer un seul bailleur de fonds. Nous souhaitions donc expliquer davantage à la communauté scientifique les types de données pour lesquels le soutien d’OpenAI Foundation pourrait, selon nous, être le plus utile.

Nos hypothèses initiales quant aux données à privilégier sont les suivantes : les données reliées, les données rares et les données directes . Les jeux de données que nous financerons présenteront généralement une ou deux de ces propriétés, décrites plus en détail ci-dessous, et, dans de rares cas, les trois.

Pour tous les jeux de données, nous croyons qu’il sera de plus en plus important de rendre les données largement accessibles, tout en protégeant la vie privée lorsqu’il s’agit de données de patients. . Cela permettra aux chercheurs de s’appuyer sur les travaux des autres et aux progrès scientifiques d’émerger de sources inattendues.

1. Données reliées : suivre la biologie à travers plusieurs étapes

   La biologie se déploie à différentes échelles, mais la plupart des jeux de données en sciences de la vie ne saisissent qu’une partie de la réalité. Un atlas cellulaire peut mesurer les molécules de milliers de cellules, tandis que l’imagerie de molécules uniques ne suit qu’une seule cellule. Les deux perspectives sont utiles, mais comme ces jeux de données sont généralement créés séparément, il peut falloir des années de travaux complémentaires pour déterminer comment les résultats scientifiques s’articulent entre eux. Nous voulons aider des équipes de recherche à passer délibérément d’une échelle à l’autre et à créer de riches jeux de données reliés dont les différentes couches se renforcent mutuellement.

   Par exemple, notre subvention à l’UCSF permettra à l’équipe d’OpenADMET de mesurer des propriétés et des interactions moléculaires clés pour des dizaines de milliers de composés. L’équipe reliera ensuite ce vaste profilage à deux perspectives sur le transport des médicaments : les structures déterminées expérimentalement de protéines de transport liées à certaines molécules, et des essais mesurant les interactions fonctionnelles de ces protéines avec les molécules. Enfin, elle testera un sous-ensemble de ces composés dans des modèles de la barrière hématoencéphalique humaine et comparera les résultats à des mesures in vivo chez l’animal.

   Cette méthode de collecte de données brossera un portrait exceptionnellement complet des facteurs qui déterminent le déplacement d’un médicament dans l’organisme, permettant aux modèles d’IA de faire de meilleures prédictions au niveau qui importe pour nous, les humains.

2. Données rares : préserver ce qui ne peut être recréé

   Aucune IA future, aussi performante soit-elle, ne pourra retourner dans le passé pour observer des événements biologiques survenus à des moments précis et uniques — comme les causes de décès et de maladie dans les pays dépourvus de statistiques fiables sur l’état civil, ou le contenu d’échantillons biologiques prélevés sur des patients à des moments maintenant révolus. La biologie regorge de ces occasions sans retour, et les spécialistes de la modélisation pourraient un jour trouver à ces données des utilisations que les chercheurs ne peuvent prévoir aujourd’hui. Nous nous intéressons donc particulièrement aux propositions visant à recueillir ou à préserver des données précieuses avant que l’occasion ne disparaisse, ou à rendre largement accessibles des jeux de données privés existants qui ne seront jamais recréés, dans le respect de la vie privée et du consentement individuel.

   Par exemple, notre subvention à CTD Commons permettra d’étudier si les dossiers de programmes de développement de médicaments ayant échoué peuvent être sauvegardés avant que les entreprises ferment et que ces dossiers disparaissent. À court terme, ces documents pourraient aider les équipes qui amorcent le développement de médicaments à comprendre les exigences imposées par les organismes de réglementation à des produits semblables, plutôt que de l’apprendre par essais et erreurs coûteux. À long terme, ces documents pourraient servir de ressources aux systèmes d’apprentissage automatique pour dégager les tendances expliquant pourquoi les médicaments échouent ou réussissent, ce qui favoriserait l’amélioration de la réglementation ou des stratégies d’essais et permettrait aux patients de profiter plus rapidement de nouveaux traitements.

3. Données directes : mesurer les états biologiques et cliniques les plus près de ce qui importe

   Pendant une grande partie de son histoire, la biologie a mesuré ce qui était facile ou peu coûteux à mesurer. Par exemple, elle a privilégié les données de cellules individuelles plutôt que les données cliniques humaines, ou l’expression de l’ARN plutôt que les protéines. Ces approximations ont été extrêmement utiles, mais elles peuvent aussi s’éloigner des objectifs que sont la compréhension de la biologie ainsi que la prévention et le traitement des maladies. Dans de tels cas, nous voulons fournir aux chercheurs les ressources nécessaires pour constituer des jeux de données qui mesurent ce qui importe le plus. Il se peut également que les instruments nécessaires pour mesurer la « vérité biologique » n’existent pas encore ou soient trop coûteux pour être utilisés à grande échelle. Dans le cadre de ce programme, nous espérons soutenir ces deux volets : de nouvelles données et de nouveaux outils.

   Par exemple, notre subvention à UNC pour créer l’Initiative pour l’immunothérapie générative permettra aux équipes d’UNC Lineberger et d’UNC Health de produire les données issues de mesures chez l’humain qui sont nécessaires pour améliorer la prochaine génération de vaccins anticancéreux. Cela signifie mesurer directement les protéines à la surface des cellules tumorales ainsi que les réponses des lymphocytes T des patients, plutôt que de « seulement » séquencer la tumeur. Ces données sont coûteuses à produire; en procédant de façon exhaustive cette fois-ci et en rendant les résultats librement accessibles, nous espérons que tous les futurs efforts de mise au point de vaccins anticancéreux pourront en profiter. En particulier, si ce projet réussit, les futurs vaccins candidats pourront passer aux essais d’administration chez l’humain avec un ensemble de cibles plus robuste. Cela devrait accroître leurs chances de fonctionner et permettre d’en apprendre davantage lorsqu’ils échouent.

Veiller à ce que les données soient accessibles aux chercheurs

Enfin, pour toutes nos subventions, nous veillons à ce que les jeux de données produits soient aussi accessibles que possible aux chercheurs du monde entier.

Pendant une grande partie de l’histoire des sciences, la vérification des hypothèses constituait un obstacle majeur aux découvertes. La quantité d’« intelligence » pouvant être consacrée aux problèmes était limitée : un nombre fixe d’étudiants aux cycles supérieurs et de scientifiques professionnels produisaient et analysaient les données relatives à un problème. Les progrès continus de l’IA en programmation et en analyse de données remettent en cause cette hypothèse. L’analyse des données pourrait devenir beaucoup plus évolutive, et de nouvelles perspectives pourraient émerger de collaborations difficiles à prévoir au moment où les données sont produites.

Notre mission consiste à faire en sorte que l’intelligence artificielle générale profite à toute l’humanité. Les données scientifiques créées avec notre soutien devraient être largement accessibles, tout en respectant la vie privée et le consentement des personnes lorsque des données humaines sont utilisées. L’accessibilité ne se limite toutefois pas à la simple publication des données brutes. Nous encourageons les bénéficiaires à publier leurs analyses sous forme de prépublications, à diffuser régulièrement leurs données plutôt que seulement à la fin et, si les données d’un bénéficiaire ne sont pas « reliées », à travailler de concert avec leurs utilisateurs pour en évaluer l’utilité dans le cadre de problèmes biologiques importants.

Apprentissage itératif

Cette publication présente notre orientation initiale pour Données publiques pour la santé. Nous actualisons activement nos perspectives à mesure que la science et l’IA progressent, ainsi qu’à la lumière de nos échanges avec d’autres membres de la communauté scientifique.

Si vous avez des idées pour Données publiques pour la santé, nous vous invitons à communiquer avec nous à [email protected]⁠. Vous pouvez vous abonner à notre infolettre ici⁠ pour recevoir les prochaines nouvelles sur nos programmes et notre financement.

Si vous aimeriez réfléchir à temps plein à des problèmes comme ceux abordés dans cette publication, nous cherchons actuellement à pourvoir quatre postes vacants⁠ au sein de l’équipe Sciences de la vie et traitement des maladies.