આરોગ્ય માટે જાહેર ડેટા

એપ્રિલમાં, અમે⁠ જીવન વિજ્ઞાન અને રોગોના ઉપચાર ક્ષેત્રે OpenAI Foundationનો પહેલો કાર્યક્રમ, અલ્ઝાઇમર્સ માટે AI, શરૂ કર્યો હતો. આજે અમે અમારો બીજો વિજ્ઞાન કાર્યક્રમ રજૂ કરી રહ્યા છીએ: આરોગ્ય માટે જાહેર ડેટા.

અલ્ઝાઇમર્સ માટે AIમાં અમારું ધ્યાન અનેક પરિવારોને અસર કરતા એક રોગ પર છે, જેમાં અમારું માનવું છે કે AI વૈજ્ઞાનિકોને વધુ સારી સારવાર વિકસાવવામાં મદદ કરી શકે છે. આરોગ્ય માટે જાહેર ડેટા કાર્યક્રમમાં અમારું ધ્યાન સંશોધકોને વ્યાપકપણે ઉપલબ્ધ કરાવવામાં આવતા ઉચ્ચ-ગુણવત્તાવાળા વૈજ્ઞાનિક ડેટાસેટના નિર્માણ અને જાળવણી માટે ભંડોળ આપીને અનેક રોગો અંગે સમગ્ર જીવન વિજ્ઞાનમાં પ્રગતિ શક્ય બનાવવા પર છે.

વૈજ્ઞાનિક ડેટા આપણી આસપાસના વિશ્વ વિશેનાં અવલોકનો છે અને સંશોધન તથા શોધ માટેનો પાયાનો આધાર છે. ગણિતનાં કેટલાંક ક્ષેત્રોની જેમ, જ્યાં નવો ડેટા એકત્ર કર્યા વિના સફળતાઓની ખરાઈ થઈ શકે છે, ત્યાં AI સિસ્ટમોએ તાજેતરમાં નવું⁠ જ્ઞાન⁠ ઉમેરવાનું⁠ શરૂ કર્યું છે. બીજી તરફ, જીવવિજ્ઞાનમાં AI સિસ્ટમો મોટા પાયે જૈવિક માહિતીનું વિશ્લેષણ કરવામાં અને અધૂરા પુરાવામાંથી પણ છુપાયેલી સંરચના શોધવામાં વધુ સક્ષમ બની રહી છે, ક્યારેક આશ્ચર્યજનક કાર્યક્ષમતા સાથે.

જોકે, અમને અપેક્ષા છે કે રોગ અટકાવવા અને તેની સારવારમાં બાકી રહેલી ઘણી સફળતાઓ નવાં મોડલની ઇન્ટેલિજન્સને વિશ્વનાં વધુ અવલોકનો, એટલે કે વધુ ડેટા, સાથે જોડવાથી મળશે.

કોઈ એક સંસ્થા પાસે પૂરતું પ્રોત્સાહન કે ભંડોળ પૂરું પાડવાની ક્ષમતા ન હોવાથી, જાહેર જનતા માટે અત્યંત મૂલ્યવાન કેટલાક ડેટાસેટ કદાચ ક્યારેય બનાવવામાં કે વહેંચવામાં નહીં આવે. એટલે આરોગ્ય માટેના જાહેર ડેટાને ટેકો આપવો OpenAI Foundation માટે ખૂબ જ યોગ્ય છે.

અમારી પ્રારંભિક અનુદાન સહાય

અમે બિનનફાકારક સંસ્થાઓ અને યુનિવર્સિટીઓના પ્રારંભિક સમૂહને 12.5 કરોડ ડૉલરથી વધુનું અનુદાન આપીને શરૂઆત કરી રહ્યા છીએ. તેમાં અણુઓથી લઈને રોગચાળા વિજ્ઞાન અને નિયમનકારી જ્ઞાન સુધીના ડેટાનાં અનેક સ્તરો આવરી લેવાય છે.

અમે સહાય કરી રહ્યા છીએ એવા પ્રોજેક્ટનાં કેટલાંક ઉદાહરણ અહીં આપ્યાં છે:

1. OpenADMET⁠ ખુલ્લા ડેટાસેટ, માપદંડો અને અજ્ઞાત ઓળખવાળી સ્પર્ધાઓ બનાવશે. તેનો હેતુ નાના અણુઓ શરીરમાં કેવી રીતે શોષાય અને ફેલાય છે તેની આગાહી કરવા AI મોડલને તાલીમ આપી શકાય છે કે કેમ તે ચકાસવાનો છે, જેથી દવાના વિકાસનું અનુમાન વધુ સચોટ બને અને નવી દવાઓનો નિષ્ફળતા દર ઘટે.

   દવાની 90% સંભવિત દવાઓ નૈદાનિક પરીક્ષણોમાં નિષ્ફળ જાય છે⁠. આનું કારણ ઘણી વાર તે શરીરમાં કેવી રીતે શોષાશે અને ફરશે, એટલે કે તેના “ADMET” ગુણધર્મો⁠, તેની આગાહી કરવાની મુશ્કેલી હોય છે. આવી વણઉકેલાયેલી આગાહી સંબંધિત સમસ્યાઓ માટે AI યોગ્ય સાબિત થઈ શકે છે, જો વિવિધ મોડલની આગાહીઓની ચોકસાઈ માટે તેને ઉચ્ચ-ગુણવત્તાવાળા ડેટાનો આધાર મળે. ઉદાહરણ તરીકે, AlphaFold2એ પ્રોટીન ડેટા બેંક⁠ના ડેટાનો ઉપયોગ કરીને પ્રોટીન સંરચનાની આગાહીમાં પરિવર્તન લાવ્યું હતું. આ સફળતા CASP⁠ દ્વારા સંચાલિત અન્ય મોડલિંગ અભિગમો સામેની સ્પર્ધામાં મળી હતી. પ્રોટીન સંરચનાની આગાહી હવે દવાની શોધના અનેક કાર્યક્રમોમાં સામેલ છે, જેનાથી ભવિષ્યમાં દર્દીઓને લાભ થવાની સંભાવના છે.

   દવાની સંભવિત દવાઓના ADMET ગુણધર્મોની વધુ સારી આગાહી માટે OpenADMET ટીમ નવાં આગાહી મોડલને આધાર આપવા ઉચ્ચ-ગુણવત્તાવાળા ડેટાસેટ વિકસાવશે અને વિશ્વભરના સંશોધકો ભાગ લઈ શકે એવા ખુલ્લા પડકારો યોજશે.

   

   UCSFમાં જૈવ-ઇજનેરી અને ઉપચારાત્મક વિજ્ઞાનના પ્રોફેસર તથા વિભાગાધ્યક્ષ અને OpenADMETના સંચાલક મંડળના સભ્ય જેમ્સ ફ્રેઝર, પીએચડી,એ કહ્યું, “દવાની શોધમાં એવી સર્વવ્યાપી સમસ્યાઓ ભરેલી છે, જેને કોઈ ચોક્કસ રોગનો ઉપચાર શોધવામાં રસ ધરાવતી એક કંપની કે શૈક્ષણિક પ્રયોગશાળા એકલી ઉકેલી શકતી નથી.” “OpenADMET આ સમસ્યાઓને ખુલ્લી અને મશીન લર્નિંગ માટે તૈયાર રીતે ઉકેલવા બનાવવામાં આવ્યું છે. AIને નવી સારવારના વિકાસમાં મોટો વેગ આપવા સક્ષમ બનાવતું પાયાનું સ્તર તૈયાર કરવાની તક મળવાથી અમે ઉત્સાહિત છીએ.”

2. CTD Commons⁠ નિષ્ફળ ગયેલા દવા વિકાસ કાર્યક્રમોનું નિયમનકારી જ્ઞાન સાચવશે અને પ્રકાશિત કરશે. સામાન્ય રીતે અપ્રાપ્ય રહેતા અગાઉના અનુભવમાંથી ભવિષ્યની ટીમો શીખી શકે અને દર્દીઓ માટે અસરકારક સારવાર ઝડપથી શોધી શકે તે તેનો હેતુ છે.

   CTD એટલે કે સામાન્ય ટેકનિકલ દસ્તાવેજ, તપાસ હેઠળની દવાની સમગ્ર યાત્રા એકત્ર કરતો દસ્તાવેજ છે. તેમાં પ્રાણીઓ પરની વિષવિજ્ઞાન તપાસ, ઉત્પાદનની વિગતો અને કદાચ સૌથી ઉપયોગી એવી FDA સાથેની પત્રવ્યવહાર સહિતની તમામ માહિતી હોય છે. છતાં, એ કાર્યનો બહુ નાનો ભાગ જ પ્રકાશિત સંશોધનપત્રોમાં જોવા મળે છે.

   CTD Commons નિષ્ફળ ગયેલા કે પડતા મૂકાયેલા દવા કાર્યક્રમોમાંથી CTD મેળવવાની શક્યતા ચકાસશે અને દરેક વ્યક્તિ તેનો ઉપયોગ કરી શકે તે માટે તેમને સંશોધન અને વિશ્લેષણ માટે ખુલ્લા ઉપલબ્ધ કરાવશે.

   “FDA સમક્ષ થતી દરેક રજૂઆત પાછળ સંશોધકો, સમીક્ષકો અને અભ્યાસમાં ભાગ લેનારાઓની સખત મહેનત અને બલિદાન હોય છે. CTD Commonsના મુખ્ય આયોજક અને 1Day Soonerના પ્રમુખ જોશ મોરિસનના જણાવ્યા અનુસાર, “આ પ્રયાસો નિષ્ફળ જાય તો પણ તેમાંથી મળતી મૂલ્યવાન માહિતી વ્યર્થ ન જવી જોઈએ.” “CTD Commons પુનરાવર્તિત કાર્ય અને ખર્ચ ઘટાડશે તથા નૈદાનિક સંશોધનની અસર વધારશે.”

3. UNC⁠ જનરેટિવ ઇમ્યુનોથેરાપી પહેલ સ્થાપશે અને જાહેર, બહુવિધ સ્વરૂપનો ડેટા બનાવશે, જેથી કેન્સરનું નિદાન થતાં જ દર્દીઓને ઝડપથી વ્યક્તિગત કેન્સરની રસી મળી શકે એવું ભવિષ્ય સાકાર કરવામાં મદદ મળે.

   આજની “નિયોએન્ટિજન” કેન્સરની રસીઓ એવી થોડીક દવાઓમાં સામેલ છે, જે દરેક દર્દી માટે ગણનાત્મક રીતે તૈયાર થાય છે. ગાંઠના કોષનું અનુક્રમણ કરીને તેની સપાટી પર કયાં ગાંઠ-વિશિષ્ટ લક્ષ્યો દેખાય છે તેની આગાહી કરવામાં આવે છે. પરંતુ આ અનુક્રમણ પણ વાસ્તવિકતાનું પરોક્ષ માપ છે, કારણ કે કોષની સપાટી પરનાં લક્ષ્યોને સીધાં માપવાં અને દર્દીની રોગપ્રતિકારક પ્રણાલી દરેક પ્રોટીન સામે કેટલી પ્રબળ પ્રતિક્રિયા આપે છે તે તપાસવું મુશ્કેલ અને ખર્ચાળ છે.

   UNC સેંકડો ગાંઠો અને વિવિધ પ્રકારના કેન્સરમાં આ ખૂટતી કડીઓનો ડેટા તૈયાર કરશે. તે આ ક્ષેત્રના પ્રારંભિક તાલીમ અને મૂલ્યાંકન ડેટાસેટમાંથી એક બનશે, જેમાંથી ઓળખ દૂર કરાયેલો જાહેર ડેટા વિશ્વભરના સંશોધકો આગળના કાર્ય માટે ઉપયોગમાં લઈ શકશે.

   “વ્યક્તિગત કેન્સરની રસીઓ આખરે નૈદાનિક અસરકારકતાનાં ચિહ્નો દર્શાવવા લાગી છે, પરંતુ હજુ પણ એવી ખામીઓ છે જેને ઉપચાર વિકાસના પરંપરાગત મોડલ હેઠળ દૂર કરવામાં દાયકાઓ લાગી શકે છે. UNC સ્કૂલ ઑફ મેડિસિનમાં આનુવંશિક વિજ્ઞાનના સહાયક પ્રોફેસર એલેક્સ રુબિનસ્ટાઇન, પીએચડી,એ કહ્યું, “ઉચ્ચ-ગુણવત્તાવાળો ડેટા આ ખામીઓ વધુ ઝડપથી દૂર કરવામાં મદદ કરી શકે છે.” “અમે આ સમયગાળો ઘટાડવા અને વ્યાપક રીતે અસરકારક વ્યક્તિગત ઇમ્યુનોથેરાપીને વાસ્તવિકતા બનાવવામાં મદદ કરવા ઉત્સાહિત છીએ.”

   

અમારી પ્રારંભિક વ્યૂહરચના

અમને અપેક્ષા છે કે આ વિભાગ ભવિષ્યમાં OpenAI Foundationની અનુદાન તકોમાં રસ ધરાવતા સંશોધકો માટે ખાસ ઉપયોગી રહેશે.

એક ભંડોળદાતા જેટલા ડેટાના સંગ્રહને સહાય કરી શકે તેનાથી ઘણો વધુ વૈજ્ઞાનિક ડેટા એકત્ર કરવો મૂલ્યવાન રહેશે. તેથી, અમે સંશોધન સમુદાયને અહીં એ પ્રકારના ડેટા વિશે વધુ જણાવવા માગીએ છીએ, જેમાં અમારા મતે OpenAI Foundationની સહાય સૌથી વધુ ઉપયોગી થઈ શકે છે.

ડેટા પર ધ્યાન કેન્દ્રિત કરવા અંગેની અમારી પ્રારંભિક ધારણાઓ આ છે: જોડાયેલો ડેટા, દુર્લભ ડેટા અને સીધો ડેટા. અમે ભંડોળ આપીએ તે ડેટાસેટમાં સામાન્ય રીતે નીચે વધુ વિગતે વર્ણવેલા આ ગુણધર્મોમાંથી એક કે બે હશે અને ભાગ્યે જ કોઈ ડેટાસેટમાં ત્રણેય ગુણધર્મ હશે.

તમામ ડેટાસેટ સંદર્ભે અમારું માનવું છે કે ડેટાને વ્યાપકપણે સુલભ બનાવવો અને દર્દીઓના ડેટાના મામલે હંમેશાં ગોપનીયતા જાળવવી વધુને વધુ મહત્વપૂર્ણ બનશે. આનાથી સંશોધકો એકબીજાના કાર્યને આગળ વધારી શકશે અને અણધાર્યાં ક્ષેત્રોમાંથી વૈજ્ઞાનિક પ્રગતિ ઊભી થશે.

1. જોડાયેલો ડેટા: અનેક તબક્કામાં જીવવિજ્ઞાનને અનુસરવું

   જૈવિક પ્રક્રિયાઓ વિવિધ સ્તરે આગળ વધે છે, પરંતુ જીવન વિજ્ઞાનના મોટાભાગના ડેટાસેટ વાસ્તવિકતાનો માત્ર એક ભાગ જ દર્શાવે છે. કોષનો નકશો હજારો કોષોમાંનાં અણુઓ માપી શકે છે, જ્યારે એકલ-અણુ ચિત્રણ માત્ર એક કોષને અનુસરે છે. બંને દૃષ્ટિકોણ મૂલ્યવાન છે, પરંતુ આવા ડેટાસેટ સામાન્ય રીતે અલગથી બનાવાતા હોવાથી વૈજ્ઞાનિક પરિણામો એકબીજા સાથે કેવી રીતે સંબંધિત છે તે નક્કી કરવા પાછળના કાર્યમાં વર્ષો લાગી શકે છે. અમે વ્યક્તિગત સંશોધન ટીમોને આ સ્તરો વચ્ચે સુઆયોજિત રીતે આગળ વધવા અને એકબીજાને મજબૂત કરતાં વિવિધ સ્તરોવાળા સમૃદ્ધ, જોડાયેલા ડેટાસેટ બનાવવા સહાય કરવા માગીએ છીએ.

   ઉદાહરણ તરીકે, UCSFને આપેલું અમારું અનુદાન OpenADMET ટીમને હજારો સંયોજનોના મુખ્ય આણ્વિક ગુણધર્મો અને પારસ્પરિક ક્રિયાઓ માપવા સક્ષમ બનાવશે. પછી ટીમ આ વ્યાપક રૂપરેખાને દવાના પરિવહનના બે દૃષ્ટિકોણ સાથે જોડશે: પસંદ કરેલા અણુઓ જોડાયેલા હોય એવા વાહક પ્રોટીનની પ્રાયોગિક રીતે નિર્ધારિત સંરચનાઓ અને આ પ્રોટીન અણુઓ સાથે કાર્યાત્મક રીતે કેવી પ્રતિક્રિયા કરે છે તે માપતી કસોટીઓ. અંતે, તેઓ આ સંયોજનોના એક ઉપસમૂહને માનવીય રક્ત-મગજ અવરોધનાં મોડલમાં ચકાસશે અને તે પરિણામોની જીવંત પ્રાણીઓમાં લેવાયેલાં માપ સાથે તુલના કરશે.

   ડેટા એકત્ર કરવાનો આ અભિગમ શરીરમાં દવાની હિલચાલ કયા પરિબળો નક્કી કરે છે તેનું અસાધારણ રીતે સંપૂર્ણ ચિત્ર આપશે, જેનાથી માનવો માટે મહત્ત્વના સ્તરે AI મોડલ વધુ સારી આગાહી કરી શકશે.

2. દુર્લભ ડેટા: ફરી બનાવી ન શકાય તે સાચવવું

   ભવિષ્યનું AI ગમે તેટલું સક્ષમ હોય, તે સમયની ચોક્કસ, અનન્ય ક્ષણોમાં બનેલી જૈવિક ઘટનાઓ જોવા પાછું જઈ શકતું નથી. જેમ કે, વિશ્વસનીય જીવન-મૃત્યુના આંકડા ન ધરાવતા દેશોમાં મૃત્યુ અને નબળા આરોગ્યનાં કારણો અથવા હવે વીતી ગયેલી ચોક્કસ ક્ષણોએ દર્દીઓ પાસેથી લેવાયેલા જૈવિક નમૂનાઓની સામગ્રી. જીવવિજ્ઞાનમાં પાછા ન ફરી શકાય એવી આવી અનેક પરિસ્થિતિઓ છે અને ભવિષ્યના મોડલ નિર્માતાઓ આ પુરાવાના એવા ઉપયોગ શોધી શકે છે જેની આજે સંશોધકો કલ્પના પણ કરી શકતા નથી. તેથી, તક જતી રહે તે પહેલાં મૂલ્યવાન ડેટા એકત્ર કે સાચવતી અથવા ગોપનીયતા અને વ્યક્તિગત સંમતિનો આદર કરીને ફરી ક્યારેય બનાવી ન શકાય એવા હાલના ખાનગી ડેટાસેટને વ્યાપકપણે ઉપલબ્ધ કરાવતી દરખાસ્તોમાં અમને ખાસ રસ છે.

   ઉદાહરણ તરીકે, CTD Commonsને આપેલું અમારું અનુદાન કંપનીઓ બંધ થઈ જાય અને રેકોર્ડ અદૃશ્ય થઈ જાય તે પહેલાં નિષ્ફળ દવા વિકાસ કાર્યક્રમોના રેકોર્ડ બચાવી શકાય છે કે કેમ તેની તપાસ કરશે. ટૂંકા ગાળામાં, આ દસ્તાવેજો પ્રારંભિક તબક્કાની દવા વિકાસ ટીમોને મોંઘી અજમાયશ અને ભૂલો દ્વારા શીખવાને બદલે સમાન ઉત્પાદનો માટે નિયમનકારોએ શું માગ્યું હતું તે સમજવામાં મદદ કરી શકે છે. લાંબા ગાળે, આ દસ્તાવેજો મશીન લર્નિંગ સિસ્ટમને દવાઓ શા માટે નિષ્ફળ કે સફળ થાય છે તેની ભાત શોધવા માટેનાં સંસાધન બની શકે છે. પરિણામે નિયમન કે પરીક્ષણ વ્યૂહરચનાઓમાં સુધારા થઈ શકે અને દર્દીઓને નવી સારવારનો લાભ વહેલો મળી શકે.

3. સીધો ડેટા: જે મહત્વનું છે તેની સૌથી નજીકની જૈવિક અને નૈદાનિક સ્થિતિઓ માપવી

   જીવવિજ્ઞાને તેના ઇતિહાસનો મોટો ભાગ જે માપવું સરળ કે સસ્તું હતું તે માપવામાં વિતાવ્યો છે. ઉદાહરણ તરીકે, માનવીય નૈદાનિક ડેટાને બદલે વ્યક્તિગત કોષનો ડેટા અથવા પ્રોટીનને બદલે RNAની અભિવ્યક્તિ માપવી. આ પરોક્ષ માપ અત્યંત ઉપયોગી રહ્યાં છે, પરંતુ તે જીવવિજ્ઞાનને સમજવા અને રોગ અટકાવવા તથા તેની સારવાર કરવાના હેતુઓથી વિમુખ પણ થઈ શકે છે. આવા કિસ્સામાં સંશોધકોને સૌથી મહત્વની બાબતો માપતા ડેટાસેટ તૈયાર કરવા માટે જરૂરી સંસાધનો અમે આપવા માગીએ છીએ. એવું પણ બની શકે કે “જૈવિક સત્ય” માપવા માટે જરૂરી સાધનો હજી અસ્તિત્વમાં ન હોય અથવા મોટા પાયે તેમનો ઉપયોગ કરવો અત્યંત ખર્ચાળ હોય. આ કાર્યક્રમ હેઠળ અમે બંને પહેલ, એટલે કે નવો ડેટા અને નવાં સાધનો,ને સહાય કરવાની આશા રાખીએ છીએ.

   ઉદાહરણ તરીકે, જનરેટિવ ઇમ્યુનોથેરાપી પહેલ સ્થાપવા UNCને આપેલું અમારું અનુદાન UNC Lineberger અને UNC Healthની ટીમને આગામી પેઢીની કેન્સરની રસીઓ સુધારવા માટે જરૂરી માનવ-આધારિત ડેટા બનાવવામાં મદદ કરશે. તેનો અર્થ ગાંઠનું “માત્ર” અનુક્રમણ કરવાને બદલે ગાંઠના કોષોની સપાટી પરનાં પ્રોટીનને સીધાં માપવાની સાથે દર્દીઓના T કોષોની પ્રતિક્રિયાઓ માપવી પણ થાય છે. આ ડેટા બનાવવો ખર્ચાળ છે. આ વખતે તેને વ્યાપક રીતે તૈયાર કરીને અને પરિણામો ખુલ્લાં મૂકીને, અમે આશા રાખીએ છીએ કે ભવિષ્યમાં કેન્સરની રસીના દરેક પ્રયાસને તેનો લાભ મળશે. ખાસ કરીને, જો આ પ્રોજેક્ટ સફળ થાય તો ભવિષ્યની સંભવિત રસીઓ વધુ મજબૂત લક્ષ્યસમૂહ સાથે માનવ માત્રાના પરીક્ષણમાં પ્રવેશી શકશે. એનાથી તેમની સફળ થવાની સંભાવના વધવી જોઈએ અને તેઓ સફળ ન થાય ત્યારે પણ વધુ શીખવા મળવું જોઈએ.

સંશોધકો માટે ડેટાની સુલભતા સુનિશ્ચિત કરવી

અંતે, અમારા તમામ અનુદાનમાં અમે ખાતરી કરી રહ્યા છીએ કે તૈયાર થતા ડેટાસેટ વિશ્વભરના સંશોધકોને શક્ય તેટલા સુલભ બને.

વૈજ્ઞાનિક ઇતિહાસના મોટા ભાગ દરમિયાન પરિકલ્પનાઓનું પરીક્ષણ શોધના માર્ગમાં મુખ્ય અવરોધ હતું. સમસ્યાઓ ઉકેલવા માટે માત્ર મર્યાદિત “બુદ્ધિમત્તા” ઉપલબ્ધ હતી, એટલે કે ચોક્કસ સંખ્યામાં અનુસ્નાતક વિદ્યાર્થીઓ અને વ્યાવસાયિક વૈજ્ઞાનિકો, જેઓ કોઈ સમસ્યા અંગે ડેટા તૈયાર કરીને તેનું વિશ્લેષણ કરતા હતા. પ્રોગ્રામિંગ અને ડેટા વિશ્લેષણમાં AIની સતત પ્રગતિ આ ધારણાને તોડી નાખે છે. ડેટાનું વિશ્લેષણ ઘણી મોટા પાયે કરવું શક્ય બની શકે છે અને ડેટા તૈયાર કરતી વખતે જેની કલ્પના કરવી મુશ્કેલ હોય એવા સહયોગમાંથી નવી સમજ ઊભી થઈ શકે છે.

આર્ટિફિશિયલ જનરલ ઇન્ટેલિજન્સથી સમગ્ર માનવજાતને લાભ થાય એ સુનિશ્ચિત કરવું અમારું ધ્યેય છે. અમારી સહાયથી તૈયાર થયેલો વૈજ્ઞાનિક ડેટા વ્યાપકપણે ઉપલબ્ધ કરાવવો જોઈએ અને જ્યાં માનવીય ડેટા સામેલ હોય ત્યાં વ્યક્તિગત ગોપનીયતા તથા સંમતિ જાળવવી જોઈએ. પરંતુ સુલભતાનો અર્થ માત્ર કાચો ડેટા જાહેર કરવા કરતાં ઘણો વ્યાપક છે. અમે અનુદાન મેળવનારાઓને તેમનાં વિશ્લેષણ પૂર્વપ્રકાશન દ્વારા પ્રસિદ્ધ કરવા, માત્ર અંતે નહીં પરંતુ નિયમિત રીતે ડેટા વહેંચવા અને તેમનો ડેટા “જોડાયેલો” ન હોય તો જૈવિક રીતે મૂલ્યવાન સમસ્યાઓ માટે તેની ઉપયોગિતા આંકવા ડેટાના વપરાશકર્તાઓ સાથે મળીને કામ કરવા પ્રોત્સાહિત કરીએ છીએ.

પુનરાવર્તી શિક્ષણ

આ લેખ આરોગ્ય માટે જાહેર ડેટા કાર્યક્રમ અંગેનો અમારો પ્રારંભિક અભિગમ રજૂ કરે છે. વિજ્ઞાન અને AIની પ્રગતિ તથા સંશોધન સમુદાયના અન્ય લોકો સાથેની ચર્ચાઓના આધારે અમે અમારા વિચારો સતત સુધારી રહ્યા છીએ.

આરોગ્ય માટે જાહેર ડેટા વિશે તમારા કોઈ વિચારો હોય તો [email protected]⁠ પર અમારો સંપર્ક કરવા અમે તમને પ્રોત્સાહિત કરીએ છીએ. અમારા કાર્યક્રમો અને ભંડોળ અંગે ભવિષ્યમાં માહિતી મેળવવા તમે અમારા સમાચારપત્ર માટે અહીં⁠ નોંધણી કરી શકો છો.

આ લેખમાં ચર્ચાયેલી સમસ્યાઓ વિશે પૂર્ણ સમય વિચારવાનું કામ તમને રસપ્રદ લાગતું હોય, તો અમે હાલમાં જીવન વિજ્ઞાન અને રોગોના ઉપચારની ટીમમાં ચાર ખાલી જગ્યાઓ⁠ માટે ભરતી કરી રહ્યા છીએ.