Առողջապահության հանրային տվյալներ

Ապրիլին մեկնարկեցրինք⁠ «ԱԲ-ն Ալցհայմերի դեմ» նախաձեռնությունը՝ OpenAI Foundation-ի առաջին ծրագիրը կենսաբանական գիտությունների և հիվանդությունների բուժման ոլորտում։ Այսօր ներկայացնում ենք մեր երկրորդ գիտական ծրագիրը՝ «Առողջապահության հանրային տվյալներ»։

«ԱԲ-ն Ալցհայմերի դեմ» ծրագրում կենտրոնանում ենք բազմաթիվ ընտանիքների կյանքին առնչվող մեկ հիվանդության վրա, որի ավելի արդյունավետ բուժման եղանակներ մշակելիս, մեր համոզմամբ, ԱԲ-ն կարող է օգնել գիտնականներին։ «Առողջապահության հանրային տվյալներ» ծրագրի նպատակն է խթանել առաջընթացը կենսաբանական գիտություններում և բազմաթիվ հիվանդությունների ուսումնասիրության ոլորտում՝ ֆինանսավորելով բարձրորակ գիտական տվյալաշարերի ստեղծումն ու պահպանումը և դրանք լայնորեն հասանելի դարձնելով հետազոտողներին։

Գիտական տվյալները մեզ շրջապատող աշխարհի վերաբերյալ դիտարկումներ են՝ հետազոտությունների և բացահայտումների հիմնարար սկզբնաղբյուրը։ Այն ոլորտներում, որտեղ բեկումնային արդյունքները կարելի է ստուգել առանց նոր տվյալներ հավաքելու, օրինակ՝ մաթեմատիկայի որոշ ճյուղերում, ԱԲ համակարգերը վերջերս սկսել են նպաստել⁠ նոր⁠ գիտելիքի⁠ ստեղծմանը։ Մինչդեռ կենսաբանության ոլորտում ԱԲ համակարգերը գնալով ավելի ունակ են դառնում մեծ ծավալով կենսաբանական տեղեկություններ վերլուծելու և նույնիսկ թերի տվյալներից թաքնված կառուցվածքներ բացահայտելու՝ երբեմն ապշեցուցիչ արդյունավետությամբ։

Այնուամենայնիվ, ակնկալում ենք, որ հիվանդությունների կանխարգելման և բուժման ոլորտում դեռ սպասվող բազմաթիվ բեկումնային ձեռքբերումներ հնարավոր կդառնան՝ նոր մոդելների բանականությունը զուգակցելով աշխարհի մասին ավելի շատ դիտարկումների, այլ կերպ ասած՝ ավելի շատ տվյալների հետ։

Հանրային հսկայական արժեք ունեցող որոշ տվյալաշարեր գուցե երբեք չստեղծվեն կամ չհրապարակվեն, քանի որ առանձին որևէ հաստատություն չունի դրանք ֆինանսավորելու բավարար խթան կամ կարողություն։ Հետևաբար, առողջապահության հանրային տվյալներին աջակցելը լիովին համապատասխանում է OpenAI Foundation-ի առաքելությանը։

Մեր առաջին դրամաշնորհները

Առաջին փուլում աջակցում ենք ոչ առևտրային կազմակերպություններին և համալսարաններին՝ տրամադրելով ընդհանուր առմամբ ավելի քան 125 միլիոն դոլարի դրամաշնորհներ, որոնք ընդգրկում են տվյալների բազմաթիվ մակարդակներ՝ մոլեկուլներից ու համաճարակաբանությունից մինչև կարգավորող գիտելիքներ։

Ահա մեր աջակցած նախագծերից մի քանիսը։

1. OpenADMET⁠-ը կստեղծի բաց տվյալաշարեր, հենանիշներ և կույր մրցույթներ՝ ստուգելու, թե արդյոք հնարավոր է ԱԲ մոդելներին սովորեցնել կանխատեսել, թե ինչպես են փոքր մոլեկուլները ներծծվում և տարածվում օրգանիզմում, որպեսզի դեղամիջոցների մշակումը դառնա ավելի կանխատեսելի, իսկ նոր դեղերի ձախողման մակարդակը նվազի։

   Դեղամիջոցների հավակնորդների 90%-ը ձախողվում է կլինիկական փորձարկումներում⁠։ Հաճախ պատճառը դրանց ներծծումն ու օրգանիզմում տեղաշարժը, այսինքն՝ դրանց «ADMET» հատկությունները⁠ կանխատեսելու դժվարությունն է։ Նման չլուծված կանխատեսման խնդիրները կարող են հարմար լինել ԱԲ-ի համար, եթե այն զուգակցվի բարձրորակ տվյալների հետ, որոնց միջոցով կարելի է հիմնավորել տարբեր մոդելների կանխատեսումների ճշգրտությունը։ Օրինակ՝ AlphaFold2-ը վերափոխեց սպիտակուցների կառուցվածքի կանխատեսումը՝ օգտագործելով Սպիտակուցային տվյալների բանկի⁠ տվյալները և մրցելով CASP⁠-ի կազմակերպած այլ մոդելավորման մոտեցումների հետ։ Սպիտակուցների կառուցվածքի կանխատեսումն այժմ ներառված է դեղամիջոցների հայտնաբերման բազմաթիվ ծրագրերում, որոնք, ամենայն հավանականությամբ, հետագայում օգուտ կբերեն պացիենտներին։

   Դեղամիջոցների հավակնորդների ADMET հատկություններն ավելի լավ կանխատեսելու համար OpenADMET-ի թիմը կստեղծի բարձրորակ տվյալաշարեր՝ նոր կանխատեսող մոդելները հիմնավորելու համար, և կանցկացնի բաց մրցույթներ, որոնց կարող են մասնակցել աշխարհի տարբեր երկրների հետազոտողները։

   

   «Դեղամիջոցների հայտնաբերման ոլորտում կան համընդհանուր խնդիրներ, որոնք որևէ ընկերություն կամ որոշակի հիվանդություն բուժելու ուղղությամբ աշխատող ակադեմիական լաբորատորիա չի կարող միայնակ լուծել»,— ասաց OpenADMET-ի կառավարման խորհրդի անդամ, UCSF-ի կենսաճարտարագիտության և թերապևտիկ գիտությունների պրոֆեսոր ու ամբիոնի վարիչ, գիտությունների դոկտոր Ջեյմս Ֆրեյզերը։ «OpenADMET-ը ստեղծվել է՝ այս խնդիրները բաց և մեքենայական ուսուցման համար պատրաստ ձևով լուծելու նպատակով։ Ուրախ ենք, որ կարող ենք ստեղծել այն հիմնարար շերտը, որը ԱԲ-ին հնարավորություն կտա զգալիորեն արագացնել բուժման նոր եղանակների մշակումը»։

2. CTD Commons⁠-ը կպահպանի և կհրապարակի դեղամիջոցների մշակման ձախողված ծրագրերի կարգավորող գիտելիքները, որպեսզի ապագա թիմերը կարողանան սովորել սովորաբար անհասանելի նախադեպերից և պացիենտների համար ավելի արագ գտնել արդյունավետ բուժումներ։

   CTD-ն կամ Ընդհանուր տեխնիկական փաստաթուղթը մի փաստաթուղթ է, որն ամփոփում է հետազոտվող դեղամիջոցի ամբողջ ուղին՝ կենդանիների թունաբանական հետազոտություններից ու արտադրության մանրամասներից մինչև FDA-ի հետ նամակագրությունը, որը թերևս ամենաօգտակար մասն է։ Սակայն այդ աշխատանքի միայն մի փոքր մասն է հայտնվում հրապարակված գիտական հոդվածներում։

   CTD Commons-ը կստուգի ձախողված կամ դադարեցված դեղամիջոցների ծրագրերի CTD-ները ձեռք բերելու հնարավորությունը և դրանք բաց հասանելիությամբ կհրապարակի, որպեսզի բոլորը կարողանան օգտագործել հետազոտությունների ու վերլուծությունների համար։

   «FDA-ին ներկայացված յուրաքանչյուր հայտ մարմնավորում է հետազոտողների, փորձագետների և հետազոտության մասնակիցների քրտնաջան աշխատանքն ու զոհողությունները։ Նույնիսկ երբ այդ ջանքերը ձախողվում են, դրանց շնորհիվ ստացված արժեքավոր տեղեկությունները չպետք է կորչեն»,— նշում է CTD Commons-ի գլխավոր կազմակերպիչ և 1Day Sooner-ի նախագահ Ջոշ Մորիսոնը։ «CTD Commons-ը կնվազեցնի աշխատանքի կրկնությունն ու ծախսերը և առավելագույնի կհասցնի կլինիկական հետազոտությունների ազդեցությունը»։

3. UNC⁠ -ն կհիմնի Գեներատիվ իմունաթերապիայի նախաձեռնությունը՝ ստեղծելով հանրային բազմամոդալ տվյալներ և օգնելով կերտել այնպիսի ապագա, որտեղ քաղցկեղի ախտորոշումից հետո պացիենտները կարող են արագ ստանալ անհատականացված հակաքաղցկեղային պատվաստանյութեր։

   Այսօրվա «նեոանտիգենային» հակաքաղցկեղային պատվաստանյութերն այն սակավաթիվ դեղամիջոցներից են, որոնք հաշվարկային եղանակով նախագծվում են յուրաքանչյուր պացիենտի համար՝ ուռուցքային բջիջը սեքվենավորելով և կանխատեսելով, թե ուռուցքին հատուկ որ թիրախներն են ներկայացված դրա մակերեսին։ Սակայն այդ սեքվենավորումն ինքնին իրականության անուղղակի ցուցիչ է, քանի որ բջջի մակերեսային թիրախները ուղղակիորեն չափելը դժվար և թանկ է, իսկ յուրաքանչյուր սպիտակուցի նկատմամբ պացիենտի իմունային համակարգի արձագանքի ուժգնությունը ստուգելը՝ առավել ևս։

   UNC-ն հարյուրավոր ուռուցքների և քաղցկեղի տարբեր տեսակների համար կլրացնի այդ բացակայող օղակները՝ ստեղծելով ոլորտի առաջին ուսուցման և գնահատման տվյալաշարերից մեկը, որի ապանույնականացված հանրային տվյալները հիմք կծառայեն ամբողջ աշխարհի հետազոտողների աշխատանքի համար։

   «Անհատականացված հակաքաղցկեղային պատվաստանյութերը վերջապես սկսում են կլինիկական արդյունավետության նշաններ ցույց տալ, սակայն դեռ կան բացեր, որոնք բուժման մշակման ավանդական մոդելի պայմաններում լրացնելու համար կարող են տասնամյակներ պահանջվել։ Բարձրորակ տվյալները կարող են օգնել մեզ ավելի արագ լրացնել այդ բացերը»,— ասաց UNC-ի բժշկության դպրոցի գենետիկայի ասիստենտ-պրոֆեսոր, գիտությունների դոկտոր Ալեքս Ռուբինշտեյնը։ «Ուրախ ենք, որ կարող ենք կրճատել այդ ժամկետը և օգնել լայնորեն արդյունավետ անհատականացված իմունաթերապիաներն իրականություն դարձնել»։

   

Մեր սկզբնական ռազմավարությունը

Ակնկալում ենք, որ այս բաժինը հատկապես օգտակար կլինի OpenAI Foundation-ի ապագա դրամաշնորհային հնարավորություններով հետաքրքրված հետազոտողների համար։

Հավաքման արժանի գիտական տվյալների ծավալը շատ ավելի մեծ է, քան կարող է ֆինանսավորել որևէ առանձին կազմակերպություն։ Ուստի ցանկանում ենք հետազոտական համայնքին ավելի մանրամասն ներկայացնել այն տվյալների տեսակները, որոնց դեպքում, մեր համոզմամբ, OpenAI Foundation-ի աջակցությունը կարող է առավել օգտակար լինել։

Սկզբում կենտրոնանալու ենք տվյալների հետևյալ տեսակների վրա՝ կապակցված, սակավ և ուղղակի տվյալներ։ Մեր ֆինանսավորած տվյալաշարերը սովորաբար կունենան ստորև ավելի մանրամասն նկարագրված այս հատկանիշներից մեկը կամ երկուսը, իսկ հազվադեպ դեպքերում՝ երեքն էլ։

Բոլոր տվյալաշարերի դեպքում կարծում ենք, որ տվյալները լայնորեն հասանելի դարձնելը՝ պացիենտների տվյալների պարագայում միշտ ապահովելով գաղտնիությունը, գնալով ավելի կարևոր է դառնալու։ Դա հետազոտողներին հնարավորություն կտա զարգացնել միմյանց աշխատանքը, իսկ գիտական առաջընթացը կարող է ծնվել անսպասելի միջավայրերում։

1. Կապակցված տվյալներ. կենսաբանական գործընթացներին հետևելը բազմաթիվ փուլերում

   Կենսաբանական գործընթացներն ընթանում են տարբեր մասշտաբներով, սակայն կենսաբանական գիտությունների տվյալաշարերի մեծ մասն արտացոլում է իրականության միայն մի մասը։ Բջիջների ատլասը կարող է չափել հազարավոր բջիջների մոլեկուլները, մինչդեռ առանձին մոլեկուլների պատկերումը հետևում է միայն մեկ բջջի։ Երկու դիտանկյունն էլ արժեքավոր են, սակայն քանի որ նման տվյալաշարերը սովորաբար ստեղծվում են անկախ միմյանցից, տարիների հետագա աշխատանք կարող է պահանջվել՝ պարզելու, թե գիտական արդյունքներն ինչպես են փոխկապակցված։ Ցանկանում ենք աջակցել առանձին հետազոտական թիմերին, որպեսզի նրանք նպատակային անցումներ կատարեն այդ մասշտաբների միջև և ստեղծեն հարուստ, կապակցված տվյալաշարեր, որոնց տարբեր շերտերը փոխլրացնում են միմյանց։

   Օրինակ՝ UCSF-ին տրամադրված մեր դրամաշնորհը OpenADMET-ի թիմին հնարավորություն կտա չափել տասնյակ հազարավոր միացությունների հիմնական մոլեկուլային հատկություններն ու փոխազդեցությունները։ Այնուհետև թիմը այս լայնածավալ բնութագրումը կկապի դեղամիջոցների փոխադրման երկու դիտանկյունների հետ՝ ընտրված մոլեկուլներին կապակցված փոխադրիչ սպիտակուցների փորձարարական եղանակով որոշված կառուցվածքների և այն վերլուծությունների, որոնք չափում են այդ սպիտակուցների ֆունկցիոնալ փոխազդեցությունը մոլեկուլների հետ։ Վերջում նրանք այս միացությունների մի մասը կփորձարկեն մարդու արյունաուղեղային պատնեշի մոդելներում՝ արդյունքները համեմատելով կենդանի օրգանիզմներում կենդանիների վրա կատարված չափումների հետ։

   Տվյալների հավաքման այս մոտեցումը թույլ կտա արտասովոր ամբողջական պատկերացում կազմել, թե ինչից է կախված դեղամիջոցի տեղաշարժն օրգանիզմում, և ԱԲ մոդելներին հնարավորություն կտա ավելի լավ կանխատեսումներ անել մեզ՝ մարդկանց համար կարևոր մակարդակում։

2. Սակավ տվյալներ. պահպանել այն, ինչը հնարավոր չէ վերստեղծել

   Ապագայի ոչ մի ԱԲ, որքան էլ այն ընդունակ լինի, չի կարող վերադառնալ և դիտարկել ժամանակի որոշակի, անկրկնելի պահերին տեղի ունեցած կենսաբանական իրադարձությունները, օրինակ՝ մահվան ու վատառողջության պատճառները այն երկրներում, որտեղ բացակայում է կենսական վիճակագրության հուսալի համակարգը, կամ անցյալում որոշակի պահերի պացիենտներից վերցված կենսաբանական նմուշների պարունակությունը։ Կենսաբանության մեջ շատ են նման անդառնալի հնարավորությունները, իսկ ապագայի մոդելավորողները կարող են այդպիսի տվյալների համար կիրառություններ գտնել, որոնք այսօրվա հետազոտողները չեն կարող կանխատեսել։ Ուստի հատկապես հետաքրքրված ենք առաջարկներով, որոնք հավաքում կամ պահպանում են արժեքավոր տվյալները, նախքան հնարավորությունը կվերանա, կամ լայնորեն հասանելի են դարձնում արդեն գոյություն ունեցող մասնավոր տվյալաշարերը, որոնք այլևս երբեք չեն վերստեղծվի՝ միաժամանակ հարգելով գաղտնիությունն ու անձի համաձայնությունը։

   Օրինակ՝ CTD Commons-ին տրամադրված մեր դրամաշնորհի շրջանակում կուսումնասիրվի, թե հնարավո՞ր է փրկել դեղամիջոցների մշակման ձախողված ծրագրերի փաստաթղթերը, նախքան ընկերությունները կփակվեն և այդ գրառումները կանհետանան։ Կարճաժամկետ հեռանկարում այս փաստաթղթերը կարող են օգնել դեղամիջոցների մշակման վաղ փուլում գտնվող թիմերին հասկանալ, թե կարգավորող մարմիններն ինչ են պահանջել նմանատիպ արտադրանքներից՝ թանկարժեք փորձարկումների ու սխալների միջոցով սովորելու փոխարեն։ Երկարաժամկետ հեռանկարում փաստաթղթերը կարող են մեքենայական ուսուցման համակարգերի համար աղբյուր դառնալ՝ բացահայտելու դեղերի ձախողման կամ հաջողության օրինաչափությունները, նպաստելու կարգավորումների կամ փորձարկումների ռազմավարությունների բարելավմանը և պացիենտներին նոր բուժումներից ավելի շուտ օգտվելու հնարավորություն տալու համար։

3. Ուղղակի տվյալներ. առավել կարևոր կենսաբանական և կլինիկական վիճակների չափում

   Իր պատմության մեծ մասում կենսաբանությունը չափել է այն, ինչը հեշտ կամ էժան էր չափել։ Օրինակ՝ մարդու կլինիկական տվյալների փոխարեն չափվել են առանձին բջիջների տվյալները, իսկ սպիտակուցների փոխարեն՝ ՌՆԹ-ի արտահայտումը։ Այս անուղղակի ցուցիչները հսկայական օգտակարություն են ունեցել, սակայն կարող են նաև կտրվել կենսաբանությունը հասկանալու և հիվանդությունները կանխարգելելու ու բուժելու նպատակներից։ Նման դեպքերում ցանկանում ենք հետազոտողներին տրամադրել անհրաժեշտ ռեսուրսներ՝ տվյալաշարեր կազմելու համար, որոնք չափում են առավել կարևոր երևույթները։ Հնարավոր է նաև, որ «կենսաբանական ճշմարտությունը» չափելու համար անհրաժեշտ գործիքները դեռ գոյություն չունեն կամ լայնածավալ կիրառման համար չափազանց թանկ են։ Այս ծրագրի շրջանակում հույս ունենք աջակցել երկու ուղղություններին էլ՝ նոր տվյալների և նոր գործիքների ստեղծմանը։

   Օրինակ՝ Գեներատիվ իմունաթերապիայի նախաձեռնությունը հիմնելու համար UNC-ին տրամադրված մեր դրամաշնորհը UNC Lineberger-ի և UNC Health-ի թիմին հնարավորություն կտա ստեղծել մարդկանց տվյալների վրա հիմնված տեղեկություններ, որոնք անհրաժեշտ են հակաքաղցկեղային պատվաստանյութերի հաջորդ սերունդը բարելավելու համար։ Դա նշանակում է ուղղակիորեն չափել ուռուցքային բջիջների մակերեսային սպիտակուցները, ինչպես նաև պացիենտների T բջիջների արձագանքները՝ ուռուցքը «միայն» սեքվենավորելու փոխարեն։ Այս տվյալների ստեղծումը թանկ է։ Հույս ունենք, որ այս անգամ աշխատանքը համապարփակ կատարելու և արդյունքները բաց հասանելի դարձնելու շնորհիվ հակաքաղցկեղային պատվաստանյութեր մշակելու ապագա բոլոր նախաձեռնությունները կկարողանան օգտվել դրանցից։ Մասնավորապես, եթե այս նախագիծը հաջողվի, պատվաստանյութերի ապագա հավակնորդները կկարողանան մարդկանց դեղաչափերի փորձարկման փուլ մտնել՝ ավելի հիմնավոր թիրախներով։ Դա պետք է մեծացնի դրանց արդյունավետության հավանականությունը և օգնի ավելի շատ գիտելիք ստանալ, երբ դրանք արդյունավետ չեն լինում։

Տվյալների հասանելիության ապահովումը հետազոտողների համար

Վերջապես, մեր բոլոր դրամաշնորհների դեպքում ապահովում ենք, որ ստացված տվյալաշարերը հնարավորինս հասանելի լինեն աշխարհի տարբեր երկրների հետազոտողներին։

Գիտության պատմության մեծ մասում վարկածների ստուգումը բացահայտումների գլխավոր խոչընդոտներից մեկն էր։ Խնդիրները լուծելու համար հասանելի «բանականությունը» սահմանափակ էր՝ ասպիրանտների և փորձառու գիտնականների որոշակի թվով, որոնք խնդրի շուրջ տվյալներ էին ստեղծում և վերլուծում։ Ծրագրավորման և տվյալների վերլուծության ոլորտում ԱԲ-ի շարունակական առաջընթացը վերացնում է այդ ենթադրությունը։ Տվյալների վերլուծությունը կարող է շատ ավելի լայնածավալ դառնալ, իսկ նոր պատկերացումները կարող են ծնվել այնպիսի համագործակցություններից, որոնք տվյալների ստեղծման պահին դժվար է կանխատեսել։

Մեր առաքելությունն է ապահովել, որ արհեստական ընդհանուր բանականությունն օգուտ բերի ողջ մարդկությանը։ Մեր աջակցությամբ ստեղծված գիտական տվյալները պետք է լայնորեն հասանելի լինեն՝ մարդկանց վերաբերող տվյալների դեպքում մշտապես պահպանելով անձնական գաղտնիությունն ու համաձայնությունը։ Սակայն հասանելիությունը չի սահմանափակվում միայն չմշակված տվյալների հրապարակմամբ։ Դրամաշնորհառուներին խրախուսում ենք իրենց վերլուծությունները հրապարակել նախնական հոդվածների տեսքով, տվյալները պարբերաբար տրամադրել, այլ ոչ միայն ծրագրի ավարտին, իսկ եթե դրամաշնորհառուի տվյալները «կապակցված» չեն, համագործակցել տվյալների օգտատերերի հետ՝ կենսաբանական կարևոր խնդիրներում դրանց օգտակարությունը գնահատելու համար։

Փուլային ուսուցում

Այս հրապարակումը ներկայացնում է «Առողջապահության հանրային տվյալներ» ծրագրի մեր սկզբնական ուղղությունը։ Գիտության և ԱԲ-ի զարգացմանը զուգընթաց, ինչպես նաև հետազոտական համայնքի այլ անդամների հետ քննարկումների հիման վրա շարունակաբար թարմացնում ենք մեր մոտեցումները։

Եթե «Առողջապահության հանրային տվյալներ» ծրագրի վերաբերյալ գաղափարներ ունեք, գրեք մեզ [email protected]⁠ հասցեով։ Մեր ծրագրերի և ֆինանսավորման հետագա նորություններին տեղեկանալու համար կարող եք այստեղ⁠ բաժանորդագրվել մեր լրատուին։

Եթե ցանկանում եք ամբողջ դրույքով զբաղվել այս հրապարակման մեջ քննարկված խնդիրներով, այժմ «Կենսաբանական գիտություններ և հիվանդությունների բուժում» թիմում ունենք չորս թափուր հաստիք⁠։