Dati pubblici per la salute

Ad aprile, abbiamo lanciato⁠ AI for Alzheimer’s, il primo programma di OpenAI Foundation nel campo delle scienze della vita e della cura delle malattie. Oggi presentiamo il nostro secondo programma scientifico: Dati pubblici per la salute.

Con AI for Alzheimer’s ci concentriamo su una malattia che colpisce molte famiglie e per la quale riteniamo che l’IA possa aiutare gli scienziati a sviluppare trattamenti migliori. Con Dati pubblici per la salute puntiamo a favorire i progressi nelle scienze della vita e nella lotta a numerose malattie, finanziando la creazione e la conservazione di set di dati scientifici di alta qualità, ampiamente accessibili ai ricercatori.

I dati scientifici sono osservazioni sul mondo che ci circonda e costituiscono la base della ricerca e delle scoperte. Nei campi in cui le scoperte possono essere verificate senza raccogliere nuovi dati, come in alcuni ambiti della matematica, i sistemi di IA hanno recentemente iniziato a contribuire⁠ alla creazione di nuove⁠ conoscenze⁠. In biologia, nel frattempo, i sistemi di IA sono sempre più capaci di analizzare su larga scala le informazioni biologiche e di ricostruire strutture nascoste anche partendo da dati incompleti, a volte con un’efficienza sorprendente.

Tuttavia, prevediamo che molte delle prossime scoperte nella prevenzione e nella cura delle malattie nasceranno dall’unione tra il livello di ragionamento dei nuovi modelli e un maggior numero di osservazioni del mondo, ovvero più dati.

Alcuni set di dati di enorme valore pubblico potrebbero non essere mai creati o condivisi, perché nessuna singola istituzione ha incentivi o risorse sufficienti per finanziarli. Per questo, sostenere i dati pubblici per la salute è perfettamente in linea con la missione di OpenAI Foundation.

I nostri primi finanziamenti

Iniziamo stanziando oltre 125 milioni di dollari in finanziamenti per un primo gruppo di organizzazioni non profit e università, coprendo molti livelli di dati: dalle molecole all’epidemiologia, fino alle conoscenze normative.

Ecco alcuni esempi dei progetti che sosteniamo:

1. OpenADMET⁠ creerà set di dati aperti, benchmark e competizioni in cieco per verificare se sia possibile addestrare modelli di IA a prevedere come le piccole molecole vengono assorbite e distribuite nell’organismo, così da rendere più prevedibile lo sviluppo dei farmaci e ridurre il tasso di insuccesso dei nuovi medicinali.

   Il 90% dei farmaci candidati non supera le sperimentazioni cliniche⁠. Spesso ciò è dovuto alla difficoltà di prevedere come verranno assorbiti e si muoveranno nell’organismo, ossia le loro proprietà «ADMET»⁠. Problemi di previsione ancora irrisolti come questo possono prestarsi bene all’uso dell’IA, se affiancata da dati di alta qualità su cui verificare l’accuratezza delle previsioni dei diversi modelli. Ad esempio, AlphaFold2 ha rivoluzionato la previsione della struttura delle proteine usando i dati della Protein Data Bank⁠, nell’ambito di una competizione organizzata da CASP⁠ tra diversi approcci di modellazione. La previsione della struttura delle proteine è ormai integrata in molti programmi di scoperta farmacologica che probabilmente finiranno per apportare benefici ai pazienti.

   Per prevedere meglio le proprietà ADMET dei farmaci candidati, il team di OpenADMET svilupperà set di dati di alta qualità su cui basare nuovi modelli predittivi e organizzerà sfide aperte a ricercatori di tutto il mondo.

   

   «La scoperta farmacologica è costellata di problemi universali che nessuna singola azienda o laboratorio accademico impegnato nella cura di una specifica malattia può risolvere da solo», ha dichiarato James Fraser, PhD, membro del consiglio direttivo di OpenADMET, professore e direttore del Dipartimento di Bioingegneria e Scienze terapeutiche della UCSF. «OpenADMET è nato per affrontare questi problemi in modo aperto e predisposto per il machine learning. Siamo entusiasti di poter costruire l’infrastruttura fondamentale che consentirà all’IA di accelerare notevolmente lo sviluppo di nuovi trattamenti».

2. CTD Commons⁠ conserverà e pubblicherà le conoscenze normative derivanti da programmi di sviluppo farmacologico falliti, affinché i futuri team possano imparare da precedenti che di solito restano inaccessibili e individuare più rapidamente trattamenti efficaci per i pazienti.

   Un CTD, o Common Technical Document, è un documento che ricostruisce l’intero percorso di un farmaco sperimentale: dalla tossicologia animale ai dettagli sulla produzione e, forse soprattutto, alla corrispondenza con la FDA. Eppure, solo una piccola parte di questo lavoro compare negli articoli pubblicati.

   CTD Commons valuterà la possibilità di acquisire i CTD di programmi farmacologici falliti o accantonati e di renderli apertamente disponibili per la ricerca e l’analisi, a beneficio di tutti.

   «Ogni dossier presentato alla FDA rappresenta il duro lavoro e i sacrifici di ricercatori, revisori e partecipanti agli studi. Anche quando questi sforzi non hanno successo, le preziose informazioni che generano non dovrebbero andare sprecate», afferma Josh Morrison, principale organizzatore di CTD Commons e presidente di 1Day Sooner. «CTD Commons ridurrà duplicazioni e costi, massimizzando l’impatto della ricerca clinica».

3. UNC⁠ istituirà l’Initiative for Generative Immunotherapy, creando dati pubblici e multimodali per contribuire a un futuro in cui i pazienti oncologici possano ricevere rapidamente vaccini personalizzati contro il cancro al momento della diagnosi.

   Gli attuali vaccini antitumorali a «neoantigeni» sono tra i pochi medicinali progettati al computer per ciascun paziente, sequenziando una cellula tumorale per prevedere quali bersagli specifici del tumore siano presenti sulla sua superficie. Ma il sequenziamento è di per sé un’approssimazione della realtà, perché misurare direttamente i bersagli sulla superficie cellulare è difficile e costoso, così come verificare l’intensità della risposta immunitaria del paziente a ciascuna di queste proteine.

   UNC colmerà questi vuoti studiando centinaia di tumori e diversi tipi di cancro, creando uno dei primi set di dati di addestramento e valutazione del settore, con dati pubblici anonimizzati su cui potranno lavorare ricercatori di tutto il mondo.

   «I vaccini antitumorali personalizzati stanno finalmente iniziando a mostrare segni di efficacia clinica, ma restano lacune che, con il modello tradizionale di sviluppo terapeutico, potrebbero richiedere decenni per essere colmate. Dati di alta qualità possono aiutarci a colmarle più rapidamente», ha dichiarato Alex Rubinsteyn, PhD, professore assistente di Genetica presso la UNC School of Medicine. «Siamo entusiasti di poter abbreviare questi tempi e contribuire a rendere realtà immunoterapie personalizzate efficaci su larga scala».

   

La nostra strategia iniziale

Riteniamo che questa sezione sia particolarmente rilevante per i ricercatori interessati alle future opportunità di finanziamento di OpenAI Foundation.

I dati scientifici che sarebbe utile raccogliere sono molti di più di quelli che un singolo finanziatore potrebbe sostenere. Per questo vogliamo illustrare più nel dettaglio alla comunità scientifica i tipi di dati per i quali riteniamo che il sostegno di OpenAI Foundation possa essere più utile.

Le nostre ipotesi iniziali indicano tre tipi di dati su cui concentrarci: dati connessi, dati rari e dati diretti . I set di dati che finanzieremo avranno in genere una o due di queste caratteristiche, descritte più dettagliatamente di seguito, e solo in rari casi le presenteranno tutte e tre.

Per tutti i set di dati, riteniamo che sarà sempre più importante renderli ampiamente accessibili, garantendo al contempo la privacy quando riguardano i pazienti. Ciò consentirà ai ricercatori di sviluppare il lavoro altrui e ai progressi scientifici di emergere da contesti inattesi.

1. Dati connessi: seguire la biologia attraverso più fasi

   I processi biologici si svolgono su scale diverse, ma la maggior parte dei set di dati nelle scienze della vita coglie solo una parte della realtà. Un atlante cellulare può misurare le molecole in migliaia di cellule, mentre l’imaging di singole molecole segue una sola cellula. Entrambe le prospettive sono preziose, ma poiché questi set di dati vengono solitamente creati in modo indipendente, possono servire anni di lavoro successivo per stabilire come siano correlati i risultati scientifici. Vogliamo sostenere singoli team di ricerca affinché passino deliberatamente da una scala all’altra e creino set di dati ricchi e connessi, i cui diversi livelli si rafforzino a vicenda.

   Ad esempio, il nostro finanziamento alla UCSF consentirà al team di OpenADMET di misurare proprietà e interazioni molecolari fondamentali per decine di migliaia di composti. Il team collegherà poi questa ampia profilazione a due prospettive sul trasporto dei farmaci: le strutture, determinate sperimentalmente, delle proteine trasportatrici legate a molecole selezionate e i saggi che misurano l’interazione funzionale tra queste proteine e le molecole. Infine, testerà un sottoinsieme di questi composti in modelli della barriera ematoencefalica umana, confrontando i risultati con misurazioni in vivo sugli animali.

   Questo approccio alla raccolta dei dati offrirà un quadro insolitamente completo dei fattori che determinano il movimento di un farmaco nell’organismo, consentendo ai modelli di IA di formulare previsioni migliori sugli aspetti che contano per le persone.

2. Dati rari: salvare ciò che non può essere ricreato

   Nessuna IA futura, per quanto capace, potrà tornare indietro e osservare eventi biologici verificatisi in momenti specifici e irripetibili, come le cause di morte e malattia nei Paesi privi di statistiche anagrafiche affidabili o il contenuto di campioni biologici prelevati da pazienti in momenti ormai passati. La biologia è piena di queste situazioni irreversibili e chi svilupperà modelli in futuro potrebbe trovare per tali evidenze impieghi che oggi i ricercatori non possono prevedere. Siamo quindi particolarmente interessati a proposte che raccolgano o conservino dati preziosi prima che l’opportunità svanisca, oppure rendano ampiamente accessibili set di dati privati esistenti che non potranno mai essere ricreati, nel rispetto della privacy e del consenso individuale.

   Ad esempio, il nostro finanziamento a CTD Commons servirà a verificare se sia possibile salvare i documenti dei programmi di sviluppo farmacologico falliti prima che le aziende chiudano e tali documenti scompaiano. Nel breve periodo, questi documenti potrebbero aiutare i team nelle prime fasi dello sviluppo farmacologico a capire cosa abbiano richiesto le autorità di regolamentazione per prodotti simili, evitando costosi tentativi ed errori. Nel lungo periodo, i documenti potrebbero aiutare i sistemi di machine learning a individuare schemi nei motivi per cui i farmaci falliscono o hanno successo, favorendo miglioramenti nella regolamentazione o nelle strategie di sperimentazione e consentendo ai pazienti di beneficiare prima dei nuovi trattamenti.

3. Dati diretti: misurare gli stati biologici e clinici più vicini a ciò che conta

   Per gran parte della sua storia, la biologia ha misurato ciò che era facile o economico misurare. Ad esempio, si sono privilegiati i dati sulle singole cellule rispetto ai dati clinici umani, o l’espressione dell’RNA rispetto alle proteine. Questi indicatori indiretti sono stati estremamente utili, ma possono anche allontanarsi dagli obiettivi di comprendere la biologia e prevenire e curare le malattie. In casi come questi, vogliamo fornire ai ricercatori le risorse necessarie per creare set di dati che misurino ciò che conta di più. È anche possibile che gli strumenti necessari a misurare la «verità biologica» non esistano ancora o siano troppo costosi per essere usati su larga scala. Con questo programma speriamo di sostenere entrambe le iniziative: nuovi dati e nuovi strumenti.

   Ad esempio, il nostro finanziamento alla UNC per istituire l’Initiative for Generative Immunotherapy consentirà al team di UNC Lineberger e UNC Health di produrre i dati basati sull’essere umano necessari a migliorare la prossima generazione di vaccini antitumorali. Ciò significa misurare direttamente le proteine sulla superficie delle cellule tumorali e le risposte dei linfociti T dei pazienti, anziché limitarsi a sequenziare il tumore. Creare questi dati è costoso; producendoli ora in modo completo e rendendo pubblici i risultati, speriamo che tutte le future iniziative sui vaccini antitumorali possano beneficiarne. In particolare, se il progetto avrà successo, i futuri vaccini candidati potranno passare alla somministrazione nell’uomo con una serie di bersagli più solidi. Ciò dovrebbe aumentare le loro probabilità di efficacia e le conoscenze che si possono ricavare quando non funzionano.

Garantire ai ricercatori l’accesso ai dati

Infine, per tutti i nostri finanziamenti, ci assicuriamo che i set di dati prodotti siano il più possibile accessibili ai ricercatori di tutto il mondo.

Per gran parte della storia della scienza, la verifica delle ipotesi ha rappresentato uno dei principali ostacoli alle scoperte. La quantità di «intelligenza» applicabile ai problemi era limitata: un numero definito di dottorandi e ricercatori di professione che producevano e analizzavano i dati relativi a un problema. I continui progressi dell’IA nella programmazione e nell’analisi dei dati superano questo presupposto. L’analisi dei dati potrebbe diventare enormemente più scalabile, generando nuove intuizioni da collaborazioni difficili da prevedere al momento della produzione dei dati.

La nostra missione è garantire che l’intelligenza artificiale generale porti benefici a tutta l’umanità. I dati scientifici creati con il nostro sostegno dovrebbero essere ampiamente accessibili, tutelando la privacy e il consenso individuali ogni volta che coinvolgono dati umani. Ma l’accessibilità non si limita alla semplice pubblicazione dei dati grezzi. Incoraggiamo i beneficiari a pubblicare le proprie analisi come preprint, a condividere regolarmente i dati anziché solo alla fine e, se i dati non sono «connessi», a collaborare con chi li utilizza per valutarne l’utilità rispetto a problemi biologici rilevanti.

Apprendimento iterativo

Questo articolo illustra il nostro orientamento iniziale per Dati pubblici per la salute. Aggiorniamo costantemente le nostre posizioni con il progredire della scienza e dell’IA, anche grazie al confronto con altri membri della comunità scientifica.

Se hai idee per Dati pubblici per la salute, ti invitiamo a contattarci all’indirizzo [email protected]⁠. Puoi iscriverti alla nostra newsletter qui⁠ per ricevere aggiornamenti futuri sui nostri programmi e finanziamenti.

Se ti interessa lavorare a tempo pieno su problemi come quelli trattati in questo articolo, stiamo cercando personale per quattro posizioni aperte⁠ nel team Scienze della vita e cura delle malattie.