Données publiques pour la santé
En avril, nous avons lancé L’IA contre Alzheimer, le premier programme de l’OpenAI Foundation consacré aux sciences de la vie et à la guérison des maladies. Aujourd’hui, nous lançons notre deuxième programme scientifique : Données publiques pour la santé.
Avec L’IA contre Alzheimer, nous nous concentrons sur une maladie qui touche de nombreuses familles et pour laquelle nous pensons que l’IA peut aider les scientifiques à développer de meilleurs traitements. Avec Données publiques pour la santé, nous cherchons à favoriser les progrès dans l’ensemble des sciences de la vie et contre de nombreuses maladies, en finançant la création et la préservation de jeux de données scientifiques de grande qualité, largement accessibles aux chercheurs.
Les données scientifiques sont des observations du monde qui nous entoure, à la base de la recherche et de la découverte. Dans les domaines où les avancées peuvent être vérifiées 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 des informations biologiques à grande échelle et de retrouver une structure cachée même à partir d’éléments incomplets, parfois avec une efficacité stupéfiante.
Cependant, nous pensons que de nombreuses avancées encore nécessaires pour prévenir et traiter les maladies viendront de l’association entre l’intelligence des nouveaux modèles et davantage d’observations du monde, autrement dit davantage de données.
Certains jeux de données d’une immense valeur publique pourraient ne jamais être créés ni partagés, car aucun organisme n’est suffisamment incité ou en mesure de les financer seul. Le soutien aux données publiques sur la santé s’inscrit donc parfaitement dans la mission de l’OpenAI Foundation.
Nos premières subventions
Nous commençons par accorder plus de 125 millions de dollars de subventions à une première série d’organismes à but non lucratif et d’universités, couvrant de nombreux niveaux de données : des molécules à l’épidémiologie, en passant par les connaissances réglementaires.
Voici quelques exemples des projets que nous soutenons :
OpenADMET créera des jeux de données ouverts, des tests d’évaluation comparative et des concours en aveugle afin de déterminer si des modèles d’IA peuvent être entraînés à prédire comment de petites molécules sont absorbées et distribuées dans l’organisme, pour rendre le développement 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 circuleront dans l’organisme, c’est-à-dire leurs propriétés « ADMET ». Les problèmes de prédiction non résolus comme celui-ci peuvent se prêter à une approche fondée sur l’IA lorsqu’elle est associée à des données de grande qualité permettant de vérifier l’exactitude des prédictions de différents modèles. Par exemple, AlphaFold2 a révolutionné la prédiction de la structure des protéines grâce aux données de la Protein Data Bank, dans le cadre d’un concours organisé par CASP face à d’autres approches de modélisation. La prédiction de la structure des protéines est désormais intégrée à de nombreux programmes de découverte de médicaments qui devraient à terme bénéficier aux patients.
Pour mieux prédire les propriétés ADMET des médicaments candidats, l’équipe d’OpenADMET développera des jeux de données de grande qualité sur lesquels fonder de nouveaux modèles prédictifs et organisera des défis ouverts aux chercheurs du monde entier.
Présentation lors d’un récent événement OpenADMET organisé pour les participants aux défis de prédiction ADMET. Crédit : Naomi Handly.
« La découverte de médicaments présente de nombreux problèmes universels qu’aucune entreprise ni aucun laboratoire universitaire cherchant à guérir une maladie précise ne peut résoudre seul, a déclaré James Fraser, PhD, membre du conseil d’administration d’OpenADMET, professeur et directeur du département de bio-ingénierie et de sciences thérapeutiques à l’UCSF. OpenADMET a été créé pour résoudre ces problèmes de manière ouverte et adaptée à l’apprentissage automatique. Nous sommes ravis de pouvoir construire la couche fondamentale qui permettra à l’IA d’accélérer considérablement le développement de nouveaux traitements. »
CTD Commons préservera et publiera les connaissances réglementaires issues de programmes de développement de médicaments ayant échoué, afin que les futures équipes puissent tirer les enseignements de précédents généralement inaccessibles 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 : toxicologie animale, détails de fabrication et, aspect peut-être le plus utile, échanges avec la FDA. Pourtant, seule une petite partie de ces travaux apparaît dans les articles publiés.
CTD Commons étudiera la possibilité d’acquérir les CTD de programmes de développement de médicaments abandonnés ou ayant échoué, puis de les rendre librement accessibles à tous à des fins de recherche et d’analyse.
« Chaque dossier soumis à la FDA représente le travail acharné et les sacrifices de chercheurs, d’évaluateurs et de participants aux études. Même lorsque ces efforts échouent, les précieuses informations qu’ils produisent ne doivent pas être perdues », selon Josh Morrison, principal organisateur de CTD Commons et président de 1Day Sooner. « CTD Commons réduira les doublons et les coûts, tout en maximisant l’impact de la recherche clinique. »
UNC créera l’Initiative pour l’immunothérapie générative, qui produira des données publiques multimodales afin de contribuer à un avenir où les personnes atteintes d’un cancer pourront rapidement recevoir un vaccin personnalisé dès leur diagnostic.
Les vaccins anticancéreux à « néoantigènes » actuels comptent parmi les rares médicaments conçus informatiquement pour chaque patient, en séquençant une cellule tumorale afin de prédire quelles cibles propres à la tumeur sont présentes à sa surface. Mais ce séquençage n’est lui-même qu’une approximation de la réalité, car il est difficile et coûteux de mesurer directement les cibles présentes à la surface de la cellule, puis de vérifier avec quelle intensité le système immunitaire du patient réagit à chacune de ces protéines.
UNC établira ces liens manquants pour des centaines de tumeurs et plusieurs types de cancers, créant ainsi l’un des premiers jeux de données d’entraînement et d’évaluation du domaine, avec des données publiques désidentifiées que les chercheurs du monde entier pourront exploiter.
« Les vaccins anticancéreux personnalisés commencent enfin à montrer des signes d’efficacité clinique, mais il reste des lacunes qu’il faudrait peut-être des décennies pour combler avec le modèle traditionnel de développement thérapeutique. Des données de grande qualité peuvent nous aider à combler ces lacunes plus rapidement », a déclaré Alex Rubinsteyn, PhD, professeur adjoint de génétique à la faculté de médecine d’UNC. « Nous sommes ravis de pouvoir raccourcir ce délai et contribuer à faire des immunothérapies personnalisées généralement efficaces une réalité. »
Des membres du laboratoire travaillent sur des vaccins anticancéreux personnalisés à l’université de Caroline du Nord. Crédit : UNC.
Notre stratégie initiale
Nous pensons que cette section sera particulièrement utile aux chercheurs intéressés par de futures possibilités de subvention de l’OpenAI Foundation.
La quantité de données scientifiques qu’il serait utile de recueillir dépasse largement ce qu’un seul bailleur de fonds peut financer. Nous souhaitions donc expliquer plus en détail à la communauté scientifique les types de données pour lesquels le soutien de l’OpenAI Foundation nous semble le plus utile.
Nos hypothèses de départ quant aux données à privilégier sont les suivantes : données connectées, données rares et données directes. Les jeux de données que nous finançons présenteront généralement une ou deux de ces caractéristiques, décrites plus en détail ci-dessous, et dans de rares cas, les trois.
Pour tous les jeux de données, nous pensons qu’il sera de plus en plus important de rendre les données largement accessibles, tout en protégeant la confidentialité lorsqu’il s’agit de données de patients. Les chercheurs pourront ainsi s’appuyer sur les travaux des autres, et le progrès scientifique pourra surgir de sources inattendues.
Données connectées : suivre les processus biologiques à différentes étapes
La biologie se déploie à différentes échelles, mais la plupart des jeux de données en sciences de la vie ne capturent qu’une partie de la réalité. Un atlas cellulaire peut mesurer des molécules dans des milliers de cellules, tandis que l’imagerie monomoléculaire ne suit qu’une seule cellule. Ces deux perspectives sont précieuses, mais comme ces jeux de données sont généralement créés indépendamment, plusieurs années de travaux complémentaires peuvent être nécessaires pour déterminer les liens entre les résultats scientifiques. Nous voulons aider des équipes de recherche à passer délibérément d’une échelle à l’autre et à créer des jeux de données riches et connectés dont les différentes couches se renforcent mutuellement.
Par exemple, notre subvention à l’UCSF permettra à l’équipe d’OpenADMET de mesurer les principales propriétés et interactions moléculaires de dizaines de milliers de composés. L’équipe combinera ensuite ce profilage à grande échelle avec deux approches de l’étude du transport des médicaments : les structures, déterminées expérimentalement, de protéines transporteuses auxquelles sont liées des molécules sélectionnées, et des analyses mesurant les interactions fonctionnelles entre ces protéines et les molécules. Enfin, elle testera un sous-ensemble de ces composés sur des modèles de la barrière hémato-encéphalique humaine et comparera les résultats à des mesures in vivo chez l’animal.
Cette approche de collecte des données produira une description exceptionnellement complète des facteurs qui déterminent la circulation d’un médicament dans l’organisme, permettant aux modèles d’IA de produire de meilleures prédictions à l’échelle qui nous importe.
Données rares : préserver ce qui ne peut être recréé
Aucune future IA, quelles que soient ses capacités, ne pourra revenir en arrière et observer des événements biologiques survenus à des moments précis et uniques, comme les causes de décès et de mauvaise santé dans les pays dépourvus de statistiques fiables sur l’état civil, ou le contenu d’échantillons biologiques prélevés sur des patients à des moments désormais révolus. La biologie regorge de ces situations irréversibles, et les futurs modélisateurs pourront trouver à ces éléments des utilisations que les chercheurs ne peuvent aujourd’hui anticiper. 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 ne ferment et que ces dossiers ne disparaissent. À court terme, ces documents pourraient aider les équipes chargées des premières phases de développement de médicaments à comprendre les exigences imposées par les autorités réglementaires à des produits similaires, au lieu de les découvrir par une succession coûteuse d’essais et d’erreurs. À long terme, ces documents pourraient aider les systèmes d’apprentissage automatique à découvrir les raisons récurrentes des échecs ou des réussites des médicaments, favorisant ainsi l’amélioration de la réglementation ou des stratégies d’essais et permettant aux patients de bénéficier plus tôt de nouveaux traitements.
Données directes : mesurer les états biologiques et cliniques au plus près de ce qui compte
Pendant une grande partie de son histoire, la biologie a mesuré ce qui était facile ou peu coûteux à mesurer. Par exemple, les données de cellules individuelles plutôt que les données cliniques humaines, ou l’expression de l’ARN plutôt que les protéines. Ces indicateurs indirects ont été extrêmement utiles, mais ils peuvent aussi s’éloigner des objectifs consistant à comprendre la biologie ainsi qu’à prévenir et traiter les maladies. Dans de tels cas, nous voulons fournir aux chercheurs les ressources nécessaires pour constituer des jeux de données qui mesurent ce qui compte le plus. Il est également possible que les instruments nécessaires pour mesurer la « vérité biologique » n’existent pas encore ou que leur utilisation à grande échelle soit trop coûteuse. Dans le cadre de ce programme, nous espérons soutenir ces deux types d’initiatives : de nouvelles données et de nouveaux outils.
Par exemple, notre subvention à UNC destinée à créer l’Initiative pour l’immunothérapie générative permettra à l’équipe d’UNC Lineberger et d’UNC Health de produire les données humaines nécessaires à l’amélioration de la prochaine génération de vaccins anticancéreux. Il s’agit de mesurer directement les protéines présentes 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 les créant cette fois de manière exhaustive et en rendant les résultats publics, nous espérons que tous les futurs projets de vaccins anticancéreux pourront en bénéficier. En particulier, si ce projet réussit, les futurs vaccins candidats pourront passer au stade de l’administration chez l’humain en s’appuyant sur un ensemble de cibles mieux étayé. 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 a constitué un obstacle majeur à la découverte. Les problèmes ne pouvaient mobiliser qu’une quantité limitée d’« intelligence » : un nombre fixe d’étudiants et de chercheurs professionnels, qui produisaient et analysaient des données pour résoudre 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 facile à déployer à grande échelle, avec des découvertes issues de collaborations difficiles à prévoir au moment où les données sont produites.
Notre mission est de veiller à ce que l’intelligence artificielle générale profite à toute l’humanité. Les données scientifiques créées avec notre soutien doivent être largement accessibles, tout en préservant la vie privée et le consentement des personnes lorsqu’elles impliquent des données humaines. Mais l’accessibilité va au-delà de la simple publication des données brutes. Nous encourageons les bénéficiaires à publier leurs analyses sous forme de prépublications, à partager régulièrement leurs données plutôt qu’à la fin uniquement et, si leurs données ne sont pas « connectées », à travailler avec leurs utilisateurs pour en évaluer l’utilité face à des problèmes biologiques importants.
Apprentissage itératif
Cet article présente notre orientation initiale pour Données publiques pour la santé. Nous faisons activement évoluer notre point de vue au fil des progrès scientifiques et de l’IA, ainsi que 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 nous écrire à l’adresse [email protected]. Vous pouvez vous abonner à notre newsletter ici pour recevoir les prochaines actualités sur nos programmes et nos financements.
Si vous souhaitez vous consacrer à temps plein à des questions comme celles abordées dans cet article, nous recrutons actuellement pour quatre postes au sein de l’équipe Sciences de la vie et guérison des maladies.