Data Publik kanggo Kesehatan
Ing April, kita ngluncurake AI kanggo Alzheimer, program kapisan OpenAI Foundation ing Ilmu Hayati lan Penyembuhan Penyakit. Dina iki, kita ngenalake program sains kapindho: Data Publik kanggo Kesehatan.
Fokus kita ing AI kanggo Alzheimer yaiku nangani penyakit sing mengaruhi akeh kulawarga lan dipercaya bisa dibantu AI supaya para ilmuwan bisa ngembangake perawatan sing luwih apik. Fokus Data Publik kanggo Kesehatan yaiku nyengkuyung kemajuan ilmu hayati ing maneka penyakit kanthi mbiayai panggawéan lan pelestarian set data ilmiah berkualitas dhuwur sing bisa diakses para panaliti kanthi wiyar.
Data ilmiah yaiku pengamatan babagan donya ing saubengé kita, minangka dhasar kanggo riset lan panemon. Ing bidhang sing terobosané bisa diverifikasi tanpa nglumpukake data anyar, kayata sawetara cabang matematika, sistem AI bubar iki wiwit nyumbang kawruh anyar. Déné ing biologi, sistem AI saya bisa nganalisis informasi biologis kanthi skala gedhé lan nemokake struktur sing ora katon sanajan saka bukti sing ora pepak, kadhang kanthi efisiensi sing nggumunake.
Nanging, kita ngira akèh terobosan sing isih dibutuhake kanggo nyegah lan ngobati penyakit bakal kawujud kanthi nggabungake kapinteran model anyar lan luwih akèh pengamatan marang donya—kanthi tembung liya, luwih akèh data.
Sawetara set data sing migunani banget kanggo umum bisa waé ora tau digawé utawa dienggo bareng amarga ora ana siji-sijia lembaga sing nduwé insentif utawa kapasitas cukup kanggo mbiayai. Mula, dhukungan kanggo data publik babagan kesehatan cocog banget karo OpenAI Foundation.
Hibah awal kita
Kita miwiti kanthi nyedhiyakake hibah luwih saka $125 yuta kanggo kelompok awal organisasi nirlaba lan universitas, sing nyakup maneka lapisan data: wiwit molekul, epidemiologi, nganti kawruh regulasi.
Ing ngisor iki sawetara conto proyèk sing kita dhukung:
OpenADMET bakal nggawé set data terbuka, pathokan, lan kompetisi wuta kanggo nguji apa model AI bisa dilatih prédhiksi cara molekul cilik diserep lan disebarake ing awak, supaya pangembangan obat luwih bisa diprakirakake lan tingkat kegagalan obat anyar mudhun.
90% calon obat gagal ing uji klinis. Iki asring amarga angèl prédhiksi cara obat kasebut diserep lan obah ing awak—yaiku sipat “ADMET”. Tantangan prédhiksi sing durung kapecah kaya iki bisa cocog kanggo AI, yèn disengkuyung data berkualitas dhuwur kanggo mesthekake akurasi prédhiksi saka maneka model. Contoné, AlphaFold2 ngowahi prédhiksi struktur protein nganggo data saka Protein Data Bank, liwat kompetisi nglawan pendekatan pamodhelan liya sing dianakake CASP. Prédhiksi struktur protein saiki wis dadi bagéan saka akèh program panemon obat sing samesthiné bakal migunani tumrap pasien.
Kanggo prédhiksi sipat ADMET calon obat kanthi luwih apik, tim OpenADMET bakal ngembangake set data berkualitas dhuwur minangka dhasar model prédhiksi anyar lan nganakake tantangan terbuka sing bisa diiloni panaliti saka saindenging donya.
Presentasi ing acara OpenADMET bubar kanggo para peserta tantangan prédhiksi ADMET. Kredit: Naomi Handly.
“Panemon obat kebak masalah universal sing ora bisa dirampungake déning siji perusahaan utawa laboratorium akademik sing kepéngin ngobati penyakit tartamtu,” ujare James Fraser, PhD, anggota Dewan Pengurus OpenADMET lan Profesor sarta Ketua Bioengineering and Therapeutic Sciences ing UCSF. “OpenADMET digawé kanggo nangani masalah kasebut kanthi cara terbuka lan siap kanggo pemelajaran mesin. Kita bungah bisa mbangun lapisan dhasar sing bakal ngidini AI nyepetake pangembangan perawatan anyar kanthi drastis.”
CTD Commons bakal nglestarekake lan nerbitake kawruh regulasi saka program pangembangan obat sing gagal, supaya tim ing tembé mburi bisa sinau saka pengalaman sadurungé sing lumrahé ora bisa diakses lan luwih cepet nemokake perawatan sing efektif kanggo pasien.
CTD, utawa Common Technical Document, yaiku dokumèn sing nyakup kabèh lelampahan obat investigasi—wiwit toksikologi kéwan, rincian produksi, lan sing mbokmenawa paling migunani, korespondensi karo FDA. Nanging, mung sebagéan cilik saka pakaryan kasebut sing kapacak ing makalah sing diterbitake.
CTD Commons bakal nguji apa CTD saka program obat sing gagal utawa dilereni bisa dipikolehi, banjur mbukak aksesé supaya bisa digunakake sapa waé kanggo riset lan analisis.
“Saben pengajuan marang FDA nggambarake kerja keras lan pangurbanan para panaliti, paninjau, lan peserta studi. Sanajan upaya kasebut gagal, informasi aji sing diasilake aja nganti muspra,” ujare Josh Morrison, pangatur utama CTD Commons lan Présidhèn 1Day Sooner. “CTD Commons bakal nyuda pengulangan lan biaya, sarta nggedhekake dampak riset klinis.”
UNC bakal ngedegake Initiative for Generative Immunotherapy lan nggawé data multimodal kanggo umum, supaya ing tembé mburi pasien kanker bisa enggal nampa vaksin kanker pribadi nalika didiagnosis.
Vaksin kanker “neoantigen” saiki kalebu salah siji saka mung sawetara obat sing dirancang sacara komputasional kanggo saben pasien, kanthi ngurutake génom sel tumor kanggo prédhiksi sasaran khusus tumor sing katon ing lumahingé. Nanging, pangurutan kasebut mung minangka wakil saka kasunyatan amarga ngukur sasaran ing lumahing sel kanthi langsung iku angèl lan larang, semono uga mriksa sepira kuwat sistem imun pasien nanggapi saben protein kasebut.
UNC bakal ngisi pranala sing ilang kasebut ing atusan tumor lan manéka jinis kanker, nggawé salah siji set data pelatihan lan evaluasi kapisan ing bidhang iki, kanthi data publik tanpa identitas kanggo dikembangake luwih lanjut déning panaliti saindenging donya.
“Vaksin kanker pribadi pungkasane wiwit nuduhake pratandha efektif sacara klinis, nanging isih ana celah sing bisa mbutuhake puluhan taun kanggo ditutup nganggo model pangembangan terapi tradhisional. Data berkualitas dhuwur bisa mbantu nutup celah kasebut luwih cepet,” ujare Alex Rubinsteyn, PhD, Asisten Profesor Genetika, UNC School of Medicine. “Kita bungah bisa nyepetake jangka wektu iki lan mbantu mujudake imunoterapi pribadi sing efektif kanggo umum.”
Anggota laboratorium nggarap vaksin kanker pribadi ing University of North Carolina. Kredit: UNC.
Strategi awal kita
Kita ngira bagéan iki bakal mligi migunani kanggo panaliti sing kasengsem marang kesempatan hibah OpenAI Foundation ing tembé mburi.
Data ilmiah sing aji kanggo diklumpukake adoh luwih akèh tinimbang sing bisa didhukung déning siji panyandang dana. Mula, ing kéné kita arep nuduhake luwih akèh marang komunitas riset babagan jinis data sing miturut kita bisa paling migunani yèn didhukung OpenAI Foundation.
Hipotèsis awal babagan data sing dadi fokus kita yaiku data sing sinambung, data langka , lan data langsung . Set data sing kita biayai lumrahé bakal nduwé siji utawa loro sipat iki, sing diterangake luwih rinci ing ngisor, lan ing kasus langka bisa nduwé kateloné.
Ing kabèh set data, kita percaya manawa data kudu saya gampang diakses, sinambi njaga privasi yèn ana gegayutané karo data pasien, lan iki bakal saya wigati. Iki bakal ngidini para panaliti ngembangake pakaryané siji lan sijiné, sarta kemajuan ilmiah bisa muncul saka papan sing ora dinyana.
Data sing sinambung: Nglacak biologi liwat pirang-pirang tahap
Proses biologi lumaku ing manéka skala, nanging akèh-akèhé set data ilmu hayati mung nyakup siji bagéan saka kasunyatan. Atlas sel bisa ngukur molekul ing èwonan sel, déné pencitraan molekul tunggal mung nliti siji sel. Kaloro sudut pandang kasebut padha-padha aji, nanging amarga set data kaya mangkono lumrahé digawé kanthi kapisah, bisa mbutuhake riset lanjutan pirang-pirang taun kanggo ngerti sesambungan antarané asil ilmiah. Kita kepéngin ndhukung saben tim riset supaya kanthi sengaja bisa pindhah ing antarané skala kasebut lan nggawé set data sugih lan sinambung sing saben lapisané padha nguwatake.
Contoné, hibah kita kanggo UCSF bakal ngidini tim OpenADMET ngukur sipat lan interaksi molekul utama saka puluhan èwu senyawa. Tim kasebut banjur bakal nyambungake profil sing wiyar iki karo rong cara ndeleng transportasi obat: struktur protein transporter sing ditemtokake liwat èkspèrimèn kanthi molekul pilihan sing kaiket, lan uji sing ngukur cara protein kasebut sesambungan sacara fungsional karo molekul. Pungkasané, tim bakal nguji sawatara senyawa kasebut nganggo model sawar getih-utek manungsa lan mbandhingake asilé karo pangukuran in vivo ing kéwan.
Pendekatan pangumpulan data iki bakal ngasilake gambaran sing pepak banget babagan faktor sing nemtokake obahé obat ing awak—lan ngidini prédhiksi sing luwih apik saka model AI ing tataran sing penting kanggo manungsa.
Data langka: Nylametake sing ora bisa digawé manèh
Ora ana AI ing tembé mburi, sepira waé canggihé, sing bisa bali lan ngamati prastawa biologis ing wektu unik tartamtu—kayata panyebab pati lan kesehatan sing ala ing negara tanpa statistik vital sing bisa dipercaya, utawa isi sampel biologis pasien ing wektu tartamtu sing wis kliwat. Biologi kebak kesempatan sing mung teka sepisan iki, lan para pangembang model ing tembé mburi bisa waé nemokake kagunan bukti kasebut sing saiki durung bisa dibayangake panaliti. Mula, kita mligi kasengsem marang proposal kanggo nglumpukake utawa nglestarekake data aji sadurungé kesempatané ilang, utawa mbukak akses wiyar menyang set data pribadi sing ora bakal bisa digawé manèh, sinambi ngajèni privasi lan idin saben wong.
Contoné, hibah kita kanggo CTD Commons bakal nliti apa cathetan program pangembangan obat sing gagal bisa dislametake sadurungé perusahaan tutup lan cathetan kasebut ilang. Ing jangka cendhak, dokumèn iki bisa mbantu tim pangembangan obat tahap awal mangertèni syarat regulator tumrap prodhuk sing padha, saéngga ora kudu sinau liwat coba-coba sing larang. Ing jangka panjang, dokumèn kasebut bisa dadi sumber kanggo sistem pemelajaran mesin supaya nemokake pola panyebab obat gagal utawa kasil, nyengkuyung panyempurnaan regulasi utawa strategi uji, lan ngidini pasien luwih cepet nampa manfaat perawatan anyar.
Data langsung: Ngukur kahanan biologis lan klinis sing paling cedhak karo perkara wigati
Ing saindhenging sejarahé, biologi luwih kerep ngukur apa sing gampang utawa murah diukur. Contoné: ngukur data sel individu tinimbang data klinis manungsa, utawa èksprèsi RNA tinimbang protein. Ukuran wakil kasebut migunani banget, nanging uga bisa dadi ora gegayutan karo tujuan mangertèni biologi, sarta nyegah lan ngobati penyakit. Ing kasus kaya iki, kita arep menehi sumber daya sing dibutuhake panaliti kanggo nyusun set data sing ngukur perkara paling wigati. Bisa uga piranti sing dibutuhake kanggo ngukur “kasunyatan biologis” durung ana, utawa larang banget kanggo digunakake kanthi skala gedhé. Liwat program iki, kita ngarep-arep bisa ndhukung loro-loroné—data anyar lan piranti anyar.
Contoné, hibah kita kanggo UNC kanggo ngedegake Initiative for Generative Immunotherapy bakal ngidini tim UNC Lineberger lan UNC Health ngasilake data adhedhasar manungsa sing dibutuhake kanggo nyempurnakake vaksin kanker generasi sabanjuré. Tegesé, protein ing lumahing sel tumor lan tanggapan sel T pasien diukur kanthi langsung, ora “mung” ngurutake génom tumor. Panggawéan data iki larang; kanthi nindakake kanthi pepak saiki lan mbukak asilé, kita ngarep-arep kabèh upaya vaksin kanker ing tembé mburi bisa éntuk manfaat. Mligi, yèn proyèk iki kasil, calon vaksin ing tembé mburi bisa mlebu tahap pangènèhan dosis marang manungsa kanthi sasaran sing luwih kukuh. Iki samesthiné bakal nggedhekake peluangé supaya ampuh lan nambah kawruh sing bisa dipikolehi nalika vaksin kasebut ora ampuh.
Mesthekake data bisa diakses para panaliti
Pungkasané, ing kabèh hibah, kita mesthekake set data sing diasilake bisa diakses kanthi gampang déning para panaliti saindenging donya.
Ing sapérangan gedhé sejarah sains, pangujian hipotèsis dadi pepalang utama tumrap panemon. Mung ana “kapinteran” winates sing bisa digunakake kanggo ngrampungake masalah—yaiku cacah mahasiswa pascasarjana lan ilmuwan profèsional sing winates, sing ngasilake lan nganalisis data babagan sawijining masalah. Kemajuan AI sing terus lumaku ing pamrograman lan analisis data ngowahi anggepan kasebut. Analisis data bisa dadi luwih gampang ditindakake kanthi skala gedhé, lan wawasan bisa muncul saka kolaborasi sing angèl diprakirakake nalika data kasebut digawé.
Misi kita yaiku mesthekake kecerdhasan umum tiruan migunani kanggo kabèh manungsa. Data ilmiah sing digawé kanthi dhukungan kita kudu bisa diakses kanthi wiyar, sinambi njaga privasi lan idin saben wong nalika nyakup data manungsa. Nanging, aksesibilitas ora mung ateges nerbitake data mentah. Kita nyengkuyung panampa hibah supaya nerbitake analisisé liwat pracithak, ajeg nuduhake data lan ora mung ing pungkasan, sarta yèn datané ora “sinambung”, makarya bebarengan karo pangguna data kanggo mbiji kagunané tumrap masalah biologis sing wigati.
Sinau kanthi iteratif
Tulisan iki njlentrehake arah awal kita ing Data Publik kanggo Kesehatan. Kita terus nganyari pamawas nalika sains lan AI maju, uga adhedhasar rembugan karo wong liya ing komunitas riset.
Yèn nduwé gagasan kanggo Data Publik kanggo Kesehatan, panjenengan bisa ngubungi kita ing [email protected]. Panjenengan bisa langganan buletin kita ing kéné kanggo nampa kabar anyar babagan program lan pendanaan kita.
Yèn panjenengan kasengsem mikirake masalah kaya sing dirembug ing tulisan iki minangka pakaryan saben dina, saiki kita lagi mbukak patang lowongan ing tim Ilmu Hayati lan Penyembuhan Penyakit.