ಪಬ್ಲಿಕ್‌ ಡೇಟಾ ಫಾರ್‌ ಹೆಲ್ತ್‌ (ಆರೋಗ್ಯಕ್ಕಾಗಿ ದತ್ತಾಂಶ)

ಏಪ್ರಿಲ್‌ನಲ್ಲಿ, ಜೀವ ವಿಜ್ಞಾನ ಮತ್ತು ರೋಗಗಳ ಚಿಕಿತ್ಸೆಗೆ ಸಂಬಂಧಿಸಿದ OpenAI Foundation ನ ಮೊದಲ ಕಾರ್ಯಕ್ರಮವಾದ AI ಫಾರ್‌ ಅಲ್ಝೈಮರ್ಸ್‌ ಅನ್ನು ನಾವು ಪ್ರಾರಂಭಿಸಿದೆವು⁠. ಇಂದು ನಾವು ನಮ್ಮ ಎರಡನೇ ವಿಜ್ಞಾನ ಕಾರ್ಯಕ್ರಮ ಪಬ್ಲಿಕ್‌ ಡೇಟಾ ಫಾರ್‌ ಹೆಲ್ತ್‌ ಪರಿಚಯಿಸುತ್ತಿದ್ದೇವೆ.

AI ಫಾರ್‌ ಅಲ್ಝೈಮರ್ಸ್‌ ಕಾರ್ಯಕ್ರಮದಲ್ಲಿ, ಅನೇಕ ಕುಟುಂಬಗಳನ್ನು ಬಾಧಿಸುವ ಒಂದು ರೋಗದ ಮೇಲೆ ಗಮನ ಕೇಂದ್ರೀಕರಿಸಿ, ವಿಜ್ಞಾನಿಗಳು ಉತ್ತಮ ಚಿಕಿತ್ಸೆಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು AI ನೆರವಾಗಬಲ್ಲದು ಎಂಬ ನಂಬಿಕೆಯಿಂದ ಕೆಲಸ ಮಾಡುತ್ತಿದ್ದೇವೆ. ಪಬ್ಲಿಕ್‌ ಡೇಟಾ ಫಾರ್‌ ಹೆಲ್ತ್‌ ಕಾರ್ಯಕ್ರಮದಲ್ಲಿ, ಸಂಶೋಧಕರಿಗೆ ವ್ಯಾಪಕವಾಗಿ ಲಭ್ಯವಾಗುವ ಉತ್ತಮ ಗುಣಮಟ್ಟದ ವೈಜ್ಞಾನಿಕ ಡೇಟಾಸೆಟ್‌ಗಳ ರಚನೆ ಮತ್ತು ಸಂರಕ್ಷಣೆಗೆ ಹಣಕಾಸು ಒದಗಿಸುವ ಮೂಲಕ ಅನೇಕ ರೋಗಗಳಿಗೆ ಸಂಬಂಧಿಸಿದ ಜೀವ ವಿಜ್ಞಾನಗಳ ಪ್ರಗತಿಗೆ ನೆರವಾಗುವುದು ನಮ್ಮ ಗುರಿ.

ವೈಜ್ಞಾನಿಕ ದತ್ತಾಂಶವೆಂದರೆ, ನಮ್ಮ ಸುತ್ತಲಿನ ಜಗತ್ತಿನ ಕುರಿತ ಅವಲೋಕನಗಳು. ಅವು ಸಂಶೋಧನೆ ಮತ್ತು ಆವಿಷ್ಕಾರಕ್ಕೆ ಮೂಲಭೂತ ಆಧಾರವಾಗಿವೆ. ಗಣಿತದ ಕೆಲವು ವಿಭಾಗಗಳಂತೆ, ಹೊಸ ದತ್ತಾಂಶವನ್ನು ಸಂಗ್ರಹ ಮಾಡದೇ ಪ್ರಗತಿಯನ್ನು ಪರಿಶೀಲಿಸಬಹುದಾದ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ AI ಸಿಸ್ಟಮ್‌ಗಳು ಇತ್ತೀಚೆಗೆ ಹೊಸ⁠ ಜ್ಞಾನಕ್ಕೆ⁠ ಕೊಡುಗೆ ನೀಡಲು⁠ ಪ್ರಾರಂಭಿಸಿವೆ. ಇದೇ ವೇಳೆ, ಜೀವಶಾಸ್ತ್ರದಲ್ಲಿ AI ಸಿಸ್ಟಮ್‌ಗಳು ಬೃಹತ್ ಪ್ರಮಾಣದ ಜೈವಿಕ ಮಾಹಿತಿಯನ್ನು ವಿಶ್ಲೇಷಿಸಲು ಮತ್ತು ಅಪೂರ್ಣ ಪುರಾವೆಗಳಿಂದಲೂ ಅಡಗಿರುವ ರಚನೆಯನ್ನು ಗುರುತಿಸಲು ಹೆಚ್ಚಾಗಿ ಸಮರ್ಥವಾಗುತ್ತಿವೆ. ಕೆಲವೊಮ್ಮೆ ಅವು ಇದನ್ನು ದಕ್ಷತೆಯಿಂದ ಮಾಡುತ್ತವೆ.

ಆದಾಗ್ಯೂ, ರೋಗಗಳನ್ನು ತಡೆಗಟ್ಟುವುದು ಮತ್ತು ಚಿಕಿತ್ಸೆ ನೀಡುವಲ್ಲಿ ಇನ್ನೂ ಅನೇಕ ಮಹತ್ವದ ಪ್ರಗತಿಗಳು, ಹೊಸ ಮಾಡೆಲ್‌ಗಳ ಇಂಟೆಲಿಜೆನ್ಸ್‌ ಅನ್ನು ಜಗತ್ತಿನ ಕುರಿತು ಹೆಚ್ಚಿನ ಮಾಹಿತಿಯೊಂದಿಗೆ ಅಂದರೆ, ಹೆಚ್ಚಿನ ಡೇಟಾದೊಂದಿಗೆ ಸಂಯೋಜಿಸುವುದರಿಂದ ಸಾಧ್ಯವಾಗುತ್ತವೆ ಎಂದು ನಾವು ನಿರೀಕ್ಷಿಸುತ್ತೇವೆ.

ಅಪಾರ ಸಾರ್ವಜನಿಕ ಮೌಲ್ಯವಿರುವ ಕೆಲವು ದತ್ತಾಂಶ ಸಂಗ್ರಹಗಳಿಗೆ ಹಣಕಾಸು ಒದಗಿಸಲು ಯಾವುದೇ ಒಂದು ಸಂಸ್ಥೆಗೆ ಸಾಕಷ್ಟು ಪ್ರೇರಣೆ ಅಥವಾ ಸಾಮರ್ಥ್ಯ ಇಲ್ಲದಿರುವುದರಿಂದ, ಅವು ಎಂದಿಗೂ ರಚನೆಯಾಗದೆ ಅಥವಾ ಹಂಚಿಕೆಯಾಗದೆ ಇರಬಹುದು. ಆದ್ದರಿಂದ ಆರೋಗ್ಯಕ್ಕಾಗಿ ಸಾರ್ವಜನಿಕ ದತ್ತಾಂಶವನ್ನು ಬೆಂಬಲಿಸುವುದು OpenAI Foundation ಗೆ ಅತ್ಯಂತ ಸೂಕ್ತವಾಗಿದೆ.

ನಮ್ಮ ಆರಂಭಿಕ ಅನುದಾನಗಳು

ಅಣುಗಳಿಂದ ಸಾಂಕ್ರಾಮಿಕ ರೋಗಶಾಸ್ತ್ರ ಮತ್ತು ನಿಯಂತ್ರಣ ಜ್ಞಾನದವರೆಗೆ ದತ್ತಾಂಶದ ಹಲವು ಹಂತಗಳನ್ನು ಒಳಗೊಂಡ ಆರಂಭಿಕ ಸುತ್ತಿನಲ್ಲಿ ಲಾಭರಹಿತ ಸಂಸ್ಥೆಗಳು ಮತ್ತು ವಿಶ್ವವಿದ್ಯಾಲಯಗಳಿಗೆ $125 ಮಿಲಿಯನ್‌ಗಿಂತ ಹೆಚ್ಚಿನ ಅನುದಾನ ನೀಡುವ ಮೂಲಕ ನಾವು ಪ್ರಾರಂಭಿಸುತ್ತಿದ್ದೇವೆ.

ನಾವು ಬೆಂಬಲಿಸುತ್ತಿರುವ ಯೋಜನೆಗಳ ಕೆಲವು ಉದಾಹರಣೆಗಳು ಇಲ್ಲಿವೆ:

1. ಸಣ್ಣ ಅಣುಗಳು ದೇಹದಲ್ಲಿ ಹೇಗೆ ಹೀರಲ್ಪಡುತ್ತವೆ ಮತ್ತು ವಿತರಿಸಲ್ಪಡುತ್ತವೆ ಎಂಬುದನ್ನು ಊಹಿಸಲು AI ಮಾಡೆಲ್‌ಗಳಿಗೆ ತರಬೇತಿ ನೀಡಬಹುದೇ ಎಂದು ಪರೀಕ್ಷಿಸಲು OpenADMET⁠ , ಓಪನ್‌ಡೇಟಾಸೆಟ್‌ಗಳು,ಬೆಂಚ್ಮಾರ್ಕ್‌ಗಳು ಮತ್ತು ಬ್ಲೈಂಡೆಡ್ ಸ್ಪರ್ಧೆಗಳನ್ನು ರೂಪಿಸಲಿದೆ; ಇದು ಔಷಧಿ ಅಭಿವೃದ್ಧಿಯನ್ನು ಹೆಚ್ಚು ನಿಖರವಾಗಿಸಲು ಹಾಗೂ ಹೊಸ ಔಷಧಿಗಳ ವಿಫಲತೆಯ ಪ್ರಮಾಣವನ್ನು ಕಡಿಮೆ ಮಾಡಲು ನೆರವಾಗುತ್ತದೆ.

   ಪ್ರಾಯೋಗಿಕ ಔಷಧಿಗಳಲ್ಲಿ ಶೇ. 90 ರಷ್ಟು ವೈದ್ಯಕೀಯ ಪ್ರಯೋಗಗಳಲ್ಲಿ ವಿಫಲವಾಗುತ್ತವೆ⁠. ಅವು ದೇಹದಲ್ಲಿ ಹೇಗೆ ಹೀರಲ್ಪಡುತ್ತವೆ ಮತ್ತು ಸಂಚರಿಸುತ್ತವೆ ಎಂಬುದನ್ನು, ಅಂದರೆ ಅವುಗಳ “ADMET” ಗುಣಲಕ್ಷಣಗಳನ್ನು⁠, ಊಹಿಸುವುದು ಕಷ್ಟವಾಗಿರುವುದೇ ಇದಕ್ಕೆ ಅನೇಕ ಬಾರಿ ಕಾರಣವಾಗಿದೆ. ವಿವಿಧ ಮಾಡೆಲ್‌ಗಳ ಊಹೆಗಳ ನಿಖರತೆಯನ್ನು ದೃಢೀಕರಿಸುವ ಉತ್ತಮ ಗುಣಮಟ್ಟದ ದತ್ತಾಂಶದೊಂದಿಗೆ ಸಂಯೋಜಿಸಿದಾಗ, ಇಂತಹ ಬಗೆಹರಿಯದ ಊಹಾತ್ಮಕ ಸವಾಲುಗಳಿಗೆ AI ಸೂಕ್ತವೆನಿಸಬಹುದು. ಉದಾಹರಣೆಗೆ, ಪ್ರೋಟೀನ್ ಡೇಟಾ ಬ್ಯಾಂಕ್‌⁠ನ ದತ್ತಾಂಶವನ್ನು ಬಳಸಿಕೊಂಡು, CASP⁠ ಆಯೋಜಿಸಿದ ಮಾಡೆಲಿಂಗ್ ಸ್ಪರ್ಧೆಯಲ್ಲಿ AlphaFold2 ಪ್ರೋಟೀನ್ ರಚನೆಯ ಊಹೆಯ ಕ್ಷೇತ್ರದಲ್ಲಿ ಕ್ರಾಂತಿಕಾರಿ ಬದಲಾವಣೆ ತಂದಿತು. ಪ್ರೋಟೀನ್ ರಚನೆಯನ್ನು ಊಹಿಸುವ ಈ ತಂತ್ರಜ್ಞಾನವು ಇಂದು ಅನೇಕ ಔಷಧಿ ಸಂಶೋಧನಾ ಕಾರ್ಯಕ್ರಮಗಳಲ್ಲಿ ಅಳವಡಿಕೆಯಾಗಿದ್ದು, ಭವಿಷ್ಯದಲ್ಲಿ ರೋಗಿಗಳಿಗೆ ನೆರವಾಗುವ ಸಾಧ್ಯತೆಯಿದೆ.

   ಪ್ರಾಯೋಗಿಕ ಔಷಧಿಗಳ ADMET ಗುಣಲಕ್ಷಣಗಳನ್ನು ಇನ್ನಷ್ಟು ನಿಖರವಾಗಿ ಊಹಿಸಲು, OpenADMET ತಂಡವು ಹೊಸ ಪ್ರಿಡಿಕ್ಟಿವ್ ಮಾಡೆಲ್‌ಗಳಿಗೆ ಭದ್ರ ಬುನಾದಿ ನೀಡುವಂತಹ ಉತ್ತಮ ಗುಣಮಟ್ಟದ ಡೇಟಾಸೆಟ್‌ಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುತ್ತದೆ ಹಾಗೂ ಪ್ರಪಂಚದಾದ್ಯಂತದ ಸಂಶೋಧಕರು ಭಾಗವಹಿಸಬಹುದಾದ ಓಪನ್‌ ಚಾಲೆಂಜ್‌ಗಳನ್ನು ಆಯೋಜಿಸುತ್ತದೆ.

   

   “ಔಷಧಿ ಸಂಶೋಧನೆಯು ಸಾರ್ವತ್ರಿಕ ಸಮಸ್ಯೆಗಳಿಂದ ಕೂಡಿದೆ; ನಿರ್ದಿಷ್ಟ ಕಾಯಿಲೆಯನ್ನು ಗುಣಪಡಿಸಲು ಶ್ರಮಿಸುತ್ತಿರುವ ಯಾವುದೇ ಒಂದು ಕಂಪನಿ ಅಥವಾ ಶೈಕ್ಷಣಿಕ ಪ್ರಯೋಗಾಲಯವು ಇವುಗಳನ್ನು ಏಕಾಂಗಿಯಾಗಿ ಪರಿಹರಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ," ಎಂದು OpenADMET ಆಡಳಿತ ಮಂಡಳಿಯ ಸದಸ್ಯ ಹಾಗೂ UCSF ನ ಬಯೋ ಇಂಜಿನಿಯರಿಂಗ್ ಮತ್ತು ಥೆರಪ್ಯೂಟಿಕ್ ಸೈನ್ಸಸ್ ವಿಭಾಗದ ಪ್ರಾಧ್ಯಾಪಕರೂ ಮುಖ್ಯಸ್ಥರೂ ಆದ ಡಾ. ಜೇಮ್ಸ್ ಫ್ರೇಸರ್ ಹೇಳಿದರು. “ಈ ಸವಾಲುಗಳನ್ನು ಮುಕ್ತವಾಗಿ ಹಾಗೂ ಮೆಷಿನ್ ಲರ್ನಿಂಗ್‌ಗೆ ಸಿದ್ಧವಾಗಿರುವ ರೀತಿಯಲ್ಲಿ ಪರಿಹರಿಸಲು OpenADMET ಅನ್ನು ರೂಪಿಸಲಾಗಿದೆ. ಹೊಸ ಚಿಕಿತ್ಸೆಗಳ ಆವಿಷ್ಕಾರವನ್ನು AI ಮೂಲಕ ಗಣನೀಯವಾಗಿ ವೇಗಗೊಳಿಸಲು ಅಗತ್ಯವಾದ ಈ ಮೂಲಭೂತ ಅಡಿಪಾಯವನ್ನು ನಿರ್ಮಿಸುತ್ತಿರುವುದು ನಮಗೆ ಅತ್ಯಂತ ಸಂತಸ ತಂದಿದೆ.”

2. ಭವಿಷ್ಯದ ತಂಡಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಲಭ್ಯವಾಗದ ಹಿಂದಿನ ಅನುಭವಗಳಿಂದ ಕಲಿತು, ರೋಗಿಗಳಿಗೆ ಪರಿಣಾಮಕಾರಿ ಚಿಕಿತ್ಸೆಗಳನ್ನು ಬೇಗ ಕಂಡುಹಿಡಿಯಲು ನೆರವಾಗುವಂತೆ, ವಿಫಲವಾದ ಔಷಧ ಅಭಿವೃದ್ಧಿ ಕಾರ್ಯಕ್ರಮಗಳ ನಿಯಂತ್ರಣ ಜ್ಞಾನವನ್ನು ಸಿಟಿಡಿ ಕಾಮನ್ಸ್⁠ ಸಂರಕ್ಷಿಸಿ ಪ್ರಕಟಿಸಲಿದೆ.

   CTD ಅಥವಾ ಕಾಮನ್‌ ಟೆಕ್ನಿಕಲ್‌ ಡಾಕ್ಯುಮೆಂಟ್‌ ಎಂದರೆ, ಪ್ರಾಯೋಗಿಕ ಔಷಧದ ಸಂಪೂರ್ಣ ಪಯಣವನ್ನು ಒಟ್ಟುಗೂಡಿಸುವ ದಾಖಲೆ. ಅಂದರೆ, ಪ್ರಾಣಿಗಳ ಮೇಲಿನ ವಿಷತ್ವ ಪರೀಕ್ಷೆ ಉತ್ಪಾದನಾ ವಿವರಗಳು ಹಾಗೂ ಪ್ರಮುಖವಾಗಿ FDA ಜೊತೆಗಿನ ಪತ್ರವ್ಯವಹಾರಗಳೂ ಸೇರಿದಂತೆ ಎಲ್ಲ ಮಾಹಿತಿಗಳು ಇದರಲ್ಲಿರುತ್ತವೆ. ಆದಾಗ್ಯೂ, ಆ ಸಂಶೋಧನಾ ಕಾರ್ಯದ ಅತ್ಯಲ್ಪ ಭಾಗ ಮಾತ್ರವೇ ಪ್ರಕಟಿತ ಸಂಶೋಧನಾ ಪ್ರಬಂಧಗಳಲ್ಲಿ ಕಂಡುಬರುತ್ತದೆ.

   ವಿಫಲವಾದ ಅಥವಾ ಅರ್ಧಕ್ಕೆ ನಿಲ್ಲಿಸಲಾದ ಔಷಧ ಯೋಜನೆಗಳಿಂದ CTD ಗಳನ್ನು ಪಡೆಯುವ ಸಾಧ್ಯತೆಯನ್ನು CTD ಕಾಮನ್ಸ್ ಪರಿಶೀಲಿಸಲಿದ್ದು, ಪ್ರತಿಯೊಬ್ಬರೂ ಸಂಶೋಧನೆ ಮತ್ತು ವಿಶ್ಲೇಷಣೆಗಾಗಿ ಬಳಸಲು ಅನುವಾಗುವಂತೆ ಅವುಗಳನ್ನು ಮುಕ್ತವಾಗಿ ಲಭ್ಯವಾಗುವಂತೆ ಮಾಡಲಿದೆ.

   “FDA ಗೆ ಸಲ್ಲಿಸುವ ಪ್ರತಿಯೊಂದು ಅರ್ಜಿಯೂ ಸಂಶೋಧಕರು, ಪರಿಶೀಲಕರು ಮತ್ತು ಅಧ್ಯಯನದಲ್ಲಿ ಭಾಗವಹಿಸಿದವರು ಮಾಡಿದ ಕಠಿಣ ಪರಿಶ್ರಮ ಮತ್ತು ತ್ಯಾಗಗಳನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ. ಈ ಪ್ರಯತ್ನಗಳು ವಿಫಲವಾದಾಗಲೂ ಅವು ಸೃಷ್ಟಿಸುವ ಅಮೂಲ್ಯ ಮಾಹಿತಿ ವ್ಯರ್ಥವಾಗಬಾರದು” ಎಂದು CTD ಕಾಮನ್ಸ್‌ನ ಪ್ರಮುಖ ಸಂಘಟಕ ಮತ್ತು 1Day Sooner ನ ಅಧ್ಯಕ್ಷ ಜೋಶ್ ಮೋರಿಸನ್ ಹೇಳಿದರು. “CTD ಕಾಮನ್ಸ್ ನಕಲು ಕೆಲಸ ಮತ್ತು ವೆಚ್ಚವನ್ನು ಕಡಿಮೆ ಮಾಡಿ, ವೈದ್ಯಕೀಯ ಸಂಶೋಧನೆಯ ಪರಿಣಾಮವನ್ನು ಗರಿಷ್ಠಗೊಳಿಸಲಿದೆ.”

3. ಕ್ಯಾನ್ಸರ್‌ ಪತ್ತೆಯಾದ ರೋಗಿಗಳಿಗೆ ಕೂಡಲೇ ವೈಯಕ್ತೀಕರಿಸಿದ ಕ್ಯಾನ್ಸರ್‌ ಲಸಿಕೆಗಳನ್ನು ಒದಗಿಸುವ ಭವಿಷ್ಯದ ಗುರಿಯೊಂದಿಗೆ, UNC⁠ ಸಂಸ್ಥೆಯು ಜನರೇಟಿವ್ ಇಮ್ಯುನೊಥೆರಪಿ ಉಪಕ್ರಮವನ್ನು ಆರಂಭಿಸಿ, ಸಾರ್ವಜನಿಕ ಮತ್ತು ಮಲ್ಟಿಮಾಡಲ್‌ ದತ್ತಾಂಶವನ್ನು ರೂಪಿಸಲು ನೆರವಾಗಲಿದೆ.

   ಇಂದಿನ “ನವಪ್ರತಿಜನಕ” ಕ್ಯಾನ್ಸರ್ ಲಸಿಕೆಗಳು ಪ್ರತಿಯೊಬ್ಬ ರೋಗಿಗಾಗಿ ಕಂಫ್ಯೂಟೇಷನಲ್‌ ವಿಧಾನದಿಂದ ವಿನ್ಯಾಸಗೊಳಿಸುವ ಕೆಲವೇ ಔಷಧಗಳಲ್ಲಿ ಒಂದಾಗಿವೆ. ಗಡ್ಡೆಯ ಜೀವಕೋಶವನ್ನು ಅನುಕ್ರಮಣಿಕೆ ಮಾಡಿ, ಅದರ ಮೇಲ್ಮೈಯಲ್ಲಿ ಕಾಣಿಸಿಕೊಳ್ಳುವ ಗಡ್ಡೆ-ನಿರ್ದಿಷ್ಟ ಗುರಿಗಳನ್ನು ಊಹಿಸುವ ಮೂಲಕ ಇವನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗುತ್ತದೆ. ಆದರೆ ಆ ಅನುಕ್ರಮಣಿಕೆಯೇ ವಾಸ್ತವದ ಪರೋಕ್ಷ ಸೂಚಕವಾಗಿದೆ. ಏಕೆಂದರೆ ಜೀವಕೋಶದ ಮೇಲ್ಮೈ ಗುರಿಗಳನ್ನು ನೇರವಾಗಿ ಅಳೆಯುವುದು ಮತ್ತು ಆ ಪ್ರತಿಯೊಂದು ಪ್ರೋಟೀನ್‌ಗೆ ರೋಗಿಯ ರೋಗನಿರೋಧಕ ವ್ಯವಸ್ಥೆ ಎಷ್ಟು ಪ್ರಬಲವಾಗಿ ಪ್ರತಿಕ್ರಿಯಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಪರೀಕ್ಷಿಸುವುದು ಕಷ್ಟಕರವೂ ದುಬಾರಿಯೂ ಆಗಿದೆ.

   ನೂರಾರು ಗಡ್ಡೆಗಳು ಮತ್ತು ಹಲವು ಬಗೆಯ ಕ್ಯಾನ್ಸರ್‌ಗಳಲ್ಲಿ ಲಭ್ಯವಿಲ್ಲದ ದತ್ತಾಂಶವನ್ನು UNC ಸೃಷ್ಟಿಸಲಿದೆ. ಜೊತೆಗೆ ವಿಶ್ವಾದ್ಯಂತದ ಸಂಶೋಧಕರು ಇದರ ಆಧಾರದ ಮೇಲೆ ಅಧ್ಯಯನ ಮುಂದುವರಿಸಲು ಅನುಕೂಲವಾಗುವಂತೆ ವೈಯಕ್ತಿಕ ಗುರುತು ರಹಿತ ಸಾರ್ವಜನಿಕ ದತ್ತಾಂಶವನ್ನು ಒದಗಿಸಲಿದೆ.

   “ವೈಯಕ್ತಿಕಗೊಳಿಸಿದ ಕ್ಯಾನ್ಸರ್ ಲಸಿಕೆಗಳು ಕೊನೆಗೂ ಚಿಕತ್ಸೆಯ ಪರಿಣಾಮಕಾರಿತ್ವದ ಲಕ್ಷಣಗಳನ್ನು ತೋರಿಸಲಾರಂಭಿಸಿವೆ. ಆದರೆ ಚಿಕಿತ್ಸಾ ಅಭಿವೃದ್ಧಿಯ ಸಾಂಪ್ರದಾಯಿಕ ಮಾಡೆಲ್‌ನಲ್ಲಿ ಇವುಗಳ ಕೊರತೆಗಳನ್ನು ನೀಗಿಸಲು ದಶಕಗಳೇ ಬೇಕಾಗಬಹುದು. ಉತ್ತಮ ಗುಣಮಟ್ಟದ ದತ್ತಾಂಶವು ಆ ಕೊರತೆಗಳನ್ನು ಹೆಚ್ಚು ವೇಗವಾಗಿ ನೀಗಿಸಲು ನೆರವಾಗುತ್ತದೆ” ಎಂದು UNC ಸ್ಕೂಲ್‌ಆಫ್‌ ಮೆಡಿಸಿನ್ಸ್‌ನ ಜೆನೆಟಿಕ್ಸ್‌ ವಿಭಾಗದ ಸಹಾಯಕ ಪ್ರಾಧ್ಯಾಪಕ ಅಲೆಕ್ಸ್ ರುಬಿನ್‌ಸ್ಟೇನ್, ಪಿಎಚ್‌ಡಿ ಹೇಳಿದರು. “ಈ ಕಾಲಾವಧಿಯನ್ನು ತಗ್ಗಿಸಿ, ಸಾಮಾನ್ಯವಾಗಿ ಪರಿಣಾಮಕಾರಿಯಾದ ವೈಯಕ್ತಿಕಗೊಳಿಸಿದ ರೋಗನಿರೋಧಕ ಚಿಕಿತ್ಸೆಗಳನ್ನು ವಾಸ್ತವವಾಗಿಸಲು ನಾವು ನೆರವಾಗಲಿದ್ದೇವೆ.”

   

ನಮ್ಮ ಆರಂಭಿಕ ಕಾರ್ಯತಂತ್ರ

ಭವಿಷ್ಯದಲ್ಲಿ OpenAI Foundation ನ ಅನುದಾನದ ಅವಕಾಶಗಳಲ್ಲಿ ಆಸಕ್ತಿ ಹೊಂದಿರುವ ಸಂಶೋಧಕರಿಗೆ ಈ ವಿಭಾಗ ವಿಶೇಷವಾಗಿ ಪ್ರಸ್ತುತವಾಗಲಿದೆ ಎಂದು ನಾವು ಭಾವಿಸುತ್ತೇವೆ.

ಹಣಕಾಸು ಒದಗಿಸುವವರು ಯಾರೇ ಆದರೂ ಬೆಂಬಲಿಸುವುದಕ್ಕಿಂತಲೂ ಹೆಚ್ಚಿನ ಪ್ರಮಾಣದ ಮೌಲ್ಯಯುತ ವೈಜ್ಞಾನಿಕ ದತ್ತಾಂಶವನ್ನು ಸಂಗ್ರಹಿಸಬೇಕಾಗಿದೆ. ಆದ್ದರಿಂದ OpenAI Foundation ನ ಬೆಂಬಲವು ಯಾವ ಬಗೆಯ ದತ್ತಾಂಶಕ್ಕೆ ಹೆಚ್ಚು ಉಪಯುಕ್ತವಾಗಬಹುದು ಎಂಬುದರ ಕುರಿತು ಸಂಶೋಧನಾ ಸಮುದಾಯದೊಂದಿಗೆ ಹೆಚ್ಚಿನ ಮಾಹಿತಿ ಹಂಚಿಕೊಳ್ಳಲು ಬಯಸಿದ್ದೇವೆ.

ಆರಂಭದಲ್ಲಿ ನಾವು ಗಮನಹರಿಸಬೇಕಾದ ದತ್ತಾಂಶದ ಬಗೆಗಳು: ಸಂಪರ್ಕಿತ ದತ್ತಾಂಶ, ವಿರಳ ದತ್ತಾಂಶ ಮತ್ತು ನೇರ ದತ್ತಾಂಶ. ನಾವು ಹಣಕಾಸು ಒದಗಿಸುವ ಡೇಟಾಸೆಟ್‌ಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಕೆಳಗೆ ಹೆಚ್ಚು ವಿವರವಾಗಿ ವಿವರಿಸಿರುವ ಈ ಗುಣಲಕ್ಷಣಗಳಲ್ಲಿ ಒಂದನ್ನು ಅಥವಾ ಎರಡನ್ನು ಹೊಂದಿರುತ್ತವೆ. ಅಪರೂಪದ ಸಂದರ್ಭಗಳಲ್ಲಿ ಮೂರೂ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಹೊಂದಿರುತ್ತವೆ.

ಎಲ್ಲಾ ಡೇಟಾಸೆಟ್‌ಗಳಲ್ಲಿಯೂ, ಡೇಟಾವನ್ನು ವ್ಯಾಪಕವಾಗಿ ಲಭ್ಯವಾಗುವಂತೆ ಮಾಡುವುದು ಹೆಚ್ಚು ಮಹತ್ವ ಪಡೆಯಲಿದೆ ಎಂದು ನಾವು ನಂಬುತ್ತೇವೆ. ಅದೇ ಸಮಯದಲ್ಲಿ, ರೋಗಿಗಳ ಡೇಟಾಗೆ ಸಂಬಂಧಿಸಿದ ಸಂದರ್ಭಗಳಲ್ಲಿ ಗೌಪ್ಯತೆಯನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳುವುದು ಅತ್ಯಗತ್ಯ. ಇದು ಸಂಶೋಧಕರಿಗೆ ಪರಸ್ಪರರ ಕೆಲಸದ ಆಧಾರದ ಮೇಲೆ ಮುಂದುವರಿಯಲು ಮತ್ತು ಅನಿರೀಕ್ಷಿತೆಯ ಸ್ಥಳಗಳಿಂದ ವೈಜ್ಞಾನಿಕ ಪ್ರಗತಿ ಹೊರಹೊಮ್ಮಲು ಅವಕಾಶ ನೀಡುತ್ತದೆ.

1. ಸಂಪರ್ಕಿತ ದತ್ತಾಂಶ: ಹಲವು ಹಂತಗಳಲ್ಲಿ ಜೀವಶಾಸ್ತ್ರವನ್ನು ಅನುಸರಿಸುವುದು

   ಜೀವಶಾಸ್ತ್ರವು ವಿವಿಧ ಹಂತಗಳಲ್ಲಿ ಅನಾವರಣಗೊಳ್ಳುತ್ತದೆ. ಆದರೆ ಬಹುಪಾಲು ಜೀವ ವಿಜ್ಞಾನ ದತ್ತಾಂಶ ಸಂಗ್ರಹಗಳು ವಾಸ್ತವದ ರೀತಿಯಲ್ಲಿ ಒಂದೇ ಭಾಗವನ್ನು ದಾಖಲಿಸುತ್ತವೆ. ನಂತರ, ಒಂದು ಜೀವಕೋಶ ಅಟ್ಲಾಸ್‌, ಸಾವಿರಾರು ಜೀವಕೋಶಗಳಲ್ಲಿನ ಅಣುಗಳನ್ನು ಅಳೆಯಬಹುದು. ಆದರೆ ಸಿಂಗಲ್‌ ಮಾಲಿಕ್ಯೂಲ್‌ ಇಮೇಜಿಂಗ್‌ ಕೇವಲ ಒಂದೇ ಜೀವಕೋಶವನ್ನು ಗಮನಿಸುತ್ತದೆ. ಎರಡೂ ದೃಷ್ಟಿಕೋನಗಳು ಮೌಲ್ಯಯುತವಾಗಿವೆ. ಆದರೆ ಇಂತಹ ದತ್ತಾಂಶ ಸಂಗ್ರಹಗಳನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ಪ್ರತ್ಯೇಕವಾಗಿ ರಚಿಸುವುದರಿಂದ, ವೈಜ್ಞಾನಿಕ ಫಲಿತಾಂಶಗಳು ಪರಸ್ಪರ ಹೇಗೆ ಸಂಬಂಧಿಸಿವೆ ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸಲು ವರ್ಷಗಳ ಅನುಸರಣಾ ಅಧ್ಯಯನವೇ ಬೇಕಾಗುತ್ತದೆ. ಆದ್ದರಿಂದ, ಸಂಧೋಧನಾ ತಂಡಗಳು ಉದ್ದೇಶಪೂರ್ವಕವಾಗಿ ಈ ವಿಭಿನ್ನ ಹಂತಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಹಾಗೂ ವಿವಿಧ ಪದರಗಳು ಪರಸ್ಪರ ಪೂರಕವಾಗಿ ಬಲಪಡಿಸುವಂತಹ ಸಮೃದ್ಧ, ಪರಸ್ಪರ ಸಂಪರ್ಕಿತ ದತ್ತಾಂಶಗಳನ್ನು ರೂಪಿಸಲು ನಾವು ಬೆಂಬಲ ನೀಡಲು ಬಯಸುತ್ತೇವೆ."

   ಉದಾಹರಣೆಗೆ, UCSFಗೆ ನಾವು ನೀಡುವ ಅನುದಾನವು OpenADMET ತಂಡಕ್ಕೆ ಹತ್ತಾರು ಸಾವಿರ ಸಂಯುಕ್ತಗಳ ಪ್ರಮುಖ ಆಣ್ವಿಕ ಗುಣಲಕ್ಷಣಗಳು ಮತ್ತು ಪರಸ್ಪರ ಕ್ರಿಯೆಗಳನ್ನು ಅಳೆಯಲು ನೆರವಾಗಲಿದೆ. ನಂತರ ತಂಡವು ಈ ವಿಶಾಲ ಗುಣವಿವರಣೆಯನ್ನು ಔಷಧ ಸಾಗಣೆಯ ಎರಡು ದೃಷ್ಟಿಕೋನಗಳಿಗೆ ಸಂಪರ್ಕಿಸುತ್ತದೆ: ಆಯ್ದ ಅಣುಗಳು ಬಂಧಿತವಾಗಿರುವ ಸಾಗಣೆ ಪ್ರೋಟೀನ್‌ಗಳ ಪ್ರಾಯೋಗಿಕವಾಗಿ ನಿರ್ಧರಿಸಿದ ರಚನೆಗಳು ಮತ್ತು ಈ ಪ್ರೋಟೀನ್‌ಗಳು ಅಣುಗಳೊಂದಿಗೆ ಕ್ರಿಯಾತ್ಮಕವಾಗಿ ಹೇಗೆ ಸಂವಹಿಸುತ್ತವೆ ಎಂಬುದನ್ನು ಅಳೆಯುವ ಪರೀಕ್ಷೆಗಳು. ಕೊನೆಯಲ್ಲಿ, ಈ ಸಂಯುಕ್ತಗಳ ಒಂದು ಉಪಸಮೂಹವನ್ನು ಮಾನವನ ರಕ್ತ-ಮಿದುಳು ತಡೆಗೋಡೆಯ ಮಾಡೆಲ್‌ಗಳಲ್ಲಿ ಪರೀಕ್ಷಿಸಿ, ಆ ಫಲಿತಾಂಶಗಳನ್ನು ಜೀವಂತ ಪ್ರಾಣಿಗಳಲ್ಲಿ ನಡೆಸಿದ ಅಳತೆಗಳೊಂದಿಗೆ ಹೋಲಿಸುತ್ತಾರೆ.

   ದತ್ತಾಂಶ ಸಂಗ್ರಹಣೆಯ ಈ ವಿಧಾನವು ಔಷಧವು ದೇಹದಲ್ಲಿ ಹೇಗೆ ಚಲಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸುವ ಅಂಶಗಳ ಕುರಿತು ಅಸಾಮಾನ್ಯವಾಗಿ ಸಂಪೂರ್ಣ ವಿವರಣೆಯನ್ನು ರೂಪಿಸುತ್ತದೆ. ಇದು ಮನುಷ್ಯರಾದ ನಮಗೆ ಮುಖ್ಯವಾದ ಮಟ್ಟದಲ್ಲಿ ಎಐ ಮಾಡೆಲ್‌ಗಳಿಂದ ಉತ್ತಮ ಊಹೆಗಳನ್ನು ಪಡೆಯಲು ನೆರವಾಗುತ್ತದೆ.

2. ವಿರಳ ದತ್ತಾಂಶ: ಮರುಸೃಷ್ಟಿಸಲಾಗದುದನ್ನು ಸಂರಕ್ಷಿಸುವುದು

   ಭವಿಷ್ಯದ AI ಎಷ್ಟೇ ಸಮರ್ಥವಾಗಿದ್ದರೂ, ನಿರ್ದಿಷ್ಟವಾದ ಮತ್ತು ಅನನ್ಯವಾದ ಹಿಂದಿನ ಕ್ಷಣಗಳಲ್ಲಿ ನಡೆದ ಜೈವಿಕ ಘಟನೆಗಳನ್ನು ಅವಲೋಕಿಸಲು ಹಿಂದಿರುಗಲಾರದು. ಉದಾಹರಣೆಗೆ, ವಿಶ್ವಾಸಾರ್ಹ ಜೀವನಾವಶ್ಯಕ ಅಂಕಿಅಂಶಗಳಿಲ್ಲದ ದೇಶಗಳಲ್ಲಿನ ಸಾವು ಮತ್ತು ಅನಾರೋಗ್ಯದ ಕಾರಣಗಳು ಅಥವಾ ಈಗಾಗಲೇ ಕಳೆದ ನಿರ್ದಿಷ್ಟ ಕ್ಷಣಗಳಲ್ಲಿ ರೋಗಿಗಳ ಜೈವಿಕ ಮಾದರಿಗಳಲ್ಲಿದ್ದ ಅಂಶಗಳು. ಜೀವಶಾಸ್ತ್ರದಲ್ಲಿ ಹಿಂದಿರುಗಲು ಸಾಧ್ಯವಿಲ್ಲದ ಇಂತಹ ಸಂದರ್ಭಗಳು ತುಂಬಿವೆ. ಇಂತಹ ಪುರಾವೆಗಳಿಗೆ ಇಂದಿನ ಸಂಶೋಧಕರು ಊಹಿಸಲಾರದ ಉಪಯೋಗಗಳನ್ನು ಭವಿಷ್ಯದ ಮಾಡೆಲ್ ರೂಪಿಸುವವರು ಕಂಡುಕೊಳ್ಳಬಹುದು. ಆದ್ದರಿಂದ ಅವಕಾಶ ಕಣ್ಮರೆಯಾಗುವ ಮೊದಲು ಮೌಲ್ಯಯುತ ದತ್ತಾಂಶವನ್ನು ಸಂಗ್ರಹಿಸುವ ಅಥವಾ ಸಂರಕ್ಷಿಸುವ, ಇಲ್ಲವೇ ಎಂದಿಗೂ ಮರುಸೃಷ್ಟಿಸಲಾಗದ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಖಾಸಗಿ ದತ್ತಾಂಶ ಸಂಗ್ರಹಗಳನ್ನು ಗೌಪ್ಯತೆ ಮತ್ತು ವೈಯಕ್ತಿಕ ಸಮ್ಮತಿಯನ್ನು ಗೌರವಿಸಿ ವ್ಯಾಪಕವಾಗಿ ಲಭ್ಯಗೊಳಿಸುವ ಪ್ರಸ್ತಾವನೆಗಳಲ್ಲಿ ನಮಗೆ ವಿಶೇಷ ಆಸಕ್ತಿಯಿದೆ.

   ಉದಾಹರಣೆಗೆ, ಕಂಪನಿಗಳು ಮುಚ್ಚಿ ದಾಖಲೆಗಳು ಕಣ್ಮರೆಯಾಗುವ ಮೊದಲು ವಿಫಲವಾದ ಔಷಧ ಅಭಿವೃದ್ಧಿ ಯೋಜನೆಗಳ ದಾಖಲೆಗಳನ್ನು ಉಳಿಸಬಹುದೇ ಎಂಬುದನ್ನು CTD ಕಾಮನ್ಸ್‌ಗೆ ನೀಡಲಾದ ನಮ್ಮ ಅನುದಾನವು ಪರಿಶೀಲಿಸಲಿದೆ. ಅಲ್ಪಾವಧಿಯಲ್ಲಿ, ದುಬಾರಿ ಪ್ರಯತ್ನ ಮತ್ತು ತಪ್ಪುಗಳ ಮೂಲಕ ಕಲಿಯುವ ಬದಲು, ಇದೇ ರೀತಿಯ ಉತ್ಪನ್ನಗಳಿಂದ ನಿಯಂತ್ರಕರು ಏನನ್ನು ನಿರೀಕ್ಷಿಸಿದ್ದಾರೆ ಎಂಬುದನ್ನು ಆರಂಭಿಕ ಹಂತದ ಔಷಧ ಅಭಿವೃದ್ಧಿ ತಂಡಗಳು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಈ ದಾಖಲೆಗಳು ನೆರವಾಗಬಹುದು. ದೀರ್ಘಾವಧಿಯಲ್ಲಿ, ಔಷಧಗಳು ಏಕೆ ವಿಫಲವಾಗುತ್ತವೆ ಅಥವಾ ಯಶಸ್ವಿಯಾಗುತ್ತವೆ ಎಂಬ ಮಾದರಿಗಳನ್ನು ಕಂಡುಹಿಡಿಯಲು ಯಂತ್ರ ಕಲಿಕೆ ವ್ಯವಸ್ಥೆಗಳಿಗೆ ಈ ದಾಖಲೆಗಳು ಸಂಪನ್ಮೂಲಗಳಾಗಬಹುದು. ಇದರಿಂದ ನಿಯಂತ್ರಣ ಅಥವಾ ಪ್ರಯೋಗ ಕಾರ್ಯತಂತ್ರಗಳು ಸುಧಾರಿಸಿ, ರೋಗಿಗಳಿಗೆ ಹೊಸ ಚಿಕಿತ್ಸೆಗಳ ಪ್ರಯೋಜನ ಬೇಗ ದೊರೆಯಬಹುದು.

3. ನೇರ ದತ್ತಾಂಶ: ಅತ್ಯಂತ ಮಹತ್ವದ್ದಾಗಿರುವ ಜೈವಿಕ ಮತ್ತು ಕ್ಲಿನಿಕಲ್ ಸ್ಥಿತಿಗಳನ್ನು ಸಾಧ್ಯವಾದಷ್ಟು ನಿಕಟವಾಗಿ ಅಳೆಯುವುದು

   ಜೀವಶಾಸ್ತ್ರವು ತನ್ನ ಇತಿಹಾಸದ ಬಹುಭಾಗದಲ್ಲಿ ಅಳೆಯಲು ಸುಲಭವಾಗಿದ್ದ ಅಥವಾ ಕಡಿಮೆ ವೆಚ್ಚವಾಗಿದ್ದ ಅಂಶಗಳನ್ನೇ ಅಳೆಯುತ್ತ ಬಂದಿದೆ. ಉದಾಹರಣೆಗೆ, ಮಾನವನ ವೈದ್ಯಕೀಯ ದತ್ತಾಂಶಕ್ಕಿಂತ ಪ್ರತ್ಯೇಕ ಜೀವಕೋಶದ ದತ್ತಾಂಶವನ್ನು ಅಥವಾ ಪ್ರೋಟೀನ್‌ಗಳ ಬದಲು RNA ಅಭಿವ್ಯಕ್ತಿಯನ್ನು ಅಳೆಯುವುದು. ಈ ಪರೋಕ್ಷ ಸೂಚಕಗಳು ಅಪಾರವಾಗಿ ಉಪಯುಕ್ತವಾಗಿವೆ. ಆದರೆ ಅವು ಜೀವಶಾಸ್ತ್ರವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವ ಮತ್ತು ರೋಗವನ್ನು ತಡೆಗಟ್ಟಿ ಚಿಕಿತ್ಸೆ ನೀಡುವ ಗುರಿಗಳಿಂದ ದೂರವಾಗಬಹುದು. ಇಂತಹ ಸಂದರ್ಭಗಳಲ್ಲಿ, ಅತ್ಯಂತ ಮುಖ್ಯವಾದುದನ್ನು ಅಳೆಯುವ ದತ್ತಾಂಶ ಸಂಗ್ರಹಗಳನ್ನು ರೂಪಿಸಲು ಸಂಶೋಧಕರಿಗೆ ಅಗತ್ಯವಾದ ಸಂಪನ್ಮೂಲಗಳನ್ನು ನೀಡಲು ನಾವು ಬಯಸುತ್ತೇವೆ. “ಜೈವಿಕ ಸತ್ಯ”ವನ್ನು ಅಳೆಯಲು ಅಗತ್ಯವಾದ ಸಾಧನಗಳು ಇನ್ನೂ ಅಸ್ತಿತ್ವದಲ್ಲಿಲ್ಲದಿರಬಹುದು ಅಥವಾ ಅವುಗಳನ್ನು ಬೃಹತ್ ಪ್ರಮಾಣದಲ್ಲಿ ಬಳಸುವುದು ಅತಿಯಾದ ವೆಚ್ಚದ್ದಾಗಿರಬಹುದು. ಈ ಕಾರ್ಯಕ್ರಮದ ಅಡಿಯಲ್ಲಿ ಹೊಸ ದತ್ತಾಂಶ ಮತ್ತು ಹೊಸ ಸಾಧನಗಳೆಂಬ ಎರಡೂ ಉಪಕ್ರಮಗಳನ್ನು ನಾವು ಬೆಂಬಲಿಸಲಿದ್ದೇವೆ.

   ಉದಾಹರಣೆಗೆ, ಜನರೇಟಿವ್ ಇಮ್ಯುನೊಥೆರಪಿ ಉಪಕ್ರಮವನ್ನು ಸ್ಥಾಪಿಸಲು UNC ಗೆ ನಾವು ನೀಡಿರುವ ಅನುದಾನದಿಂದ, UNC Lineberger ಮತ್ತು UNC ಹೆಲ್ತ್ ತಂಡವು ಮುಂದಿನ ಪೀಳಿಗೆಯ ಕ್ಯಾನ್ಸರ್ ಲಸಿಕೆಗಳನ್ನು ಸುಧಾರಿಸಲು ಅಗತ್ಯವಾದ ಮಾನವ-ಆಧಾರಿತ ದತ್ತಾಂಶವನ್ನು ಸಿದ್ಧಪಡಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ. ಅಂದರೆ, ಟ್ಯೂಮರ್‌ನ ಸೀಕ್ವೆನ್ಸಿಂಗ್ ಮಾಡುವುದಕ್ಕೆ “ಮಾತ್ರ” ಸೀಮಿತವಾಗದೆ, ಟ್ಯೂಮರ್ ಕೋಶಗಳ ಮೇಲ್ಮೈಯಲ್ಲಿರುವ ಪ್ರೋಟೀನ್‌ಗಳನ್ನು ನೇರವಾಗಿಅಳೆಯುವುದು, ಜೊತೆಗೆ ರೋಗಿಗಳ T-ಕೋಶಗಳ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನೂ ಅಳೆಯುವುದು.ಈ ರೀತಿಯ ದತ್ತಾಂಶವನ್ನು ಸಿದ್ಧಪಡಿಸಲು ಹೆಚ್ಚಿನ ವೆಚ್ಚವಾಗುತ್ತದೆ. ಈ ಬಾರಿ ಇದನ್ನು ಸಮಗ್ರವಾಗಿ ಸಿದ್ಧಪಡಿಸಿ, ಫಲಿತಾಂಶಗಳನ್ನು ಮುಕ್ತವಾಗಿ ಹಂಚಿಕೊಳ್ಳುವ ಮೂಲಕ, ಭವಿಷ್ಯದಲ್ಲಿ ನಡೆಯುವ ಎಲ್ಲಾ ಕ್ಯಾನ್ಸರ್ ಲಸಿಕೆ ಸಂಶೋಧನೆಗಳಿಗೂ ಇದರ ಪ್ರಯೋಜನವಾಗಲಿ ಎಂಬುದು ನಮ್ಮ ಆಶಯ.ನಿರ್ದಿಷ್ಟವಾಗಿ, ಈ ಯೋಜನೆ ಯಶಸ್ವಿಯಾದರೆ, ಭವಿಷ್ಯದ ಲಸಿಕೆ ಅಭ್ಯರ್ಥಿಗಳು ಹೆಚ್ಚು ಬಲವಾದ ಗುರಿಗಳೊಂದಿಗೆ ಮಾನವರ ಮೇಲೆ ಪರೀಕ್ಷೆಗಾಗಿ ನೀಡುವ ಹಂತವನ್ನು ತಲುಪಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ.

ಸಂಶೋಧಕರಿಗೆ ದತ್ತಾಂಶ ಲಭ್ಯವಾಗುವಂತೆ ಖಚಿತಪಡಿಸುವುದು

ಕೊನೆಯದಾಗಿ, ನಮ್ಮ ಎಲ್ಲ ಅನುದಾನಗಳ ಮೂಲಕ ರೂಪುಗೊಳ್ಳುವ ಡೇಟಾಸೆಟ್‌ಗಳು ವಿಶ್ವದಾದ್ಯಂತ ಸಂಶೋಧಕರಿಗೆ ಸಾಧ್ಯವಾದಷ್ಟು ಸುಲಭವಾಗಿ ಲಭ್ಯವಾಗುವಂತೆ ನಾವು ಮಾಡುತ್ತೇವೆ.

ವೈಜ್ಞಾನಿಕ ಇತಿಹಾಸದ ಬಹುಭಾಗದಲ್ಲಿ, ಊಹೆಗಳನ್ನು ಪರೀಕ್ಷಿಸುವುದೇ ಆವಿಷ್ಕಾರಕ್ಕೆ ಮುಖ್ಯ ಅಡಚಣೆಯಾಗಿತ್ತು. ಸಮಸ್ಯೆಗಳ ಪರಿಹಾರಕ್ಕೆ ಬಳಸಬಹುದಾದ “ಇಂಟೆಲಿಜೆನ್ಸ್” ಸೀಮಿತವಾಗಿತ್ತು. ನಿಗದಿತ ಸಂಖ್ಯೆಯ ಸ್ನಾತಕೋತ್ತರ ವಿದ್ಯಾರ್ಥಿಗಳು ಮತ್ತು ವೃತ್ತಿಪರ ವಿಜ್ಞಾನಿಗಳು ಸಮಸ್ಯೆಗೆ ಸಂಬಂಧಿಸಿದ ದತ್ತಾಂಶವನ್ನು ಸೃಷ್ಟಿಸಿ ವಿಶ್ಲೇಷಿಸುತ್ತಿದ್ದರು. ಸಂಕೇತಲೇಖನ ಮತ್ತು ದತ್ತಾಂಶ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ ಎಐ ಸಾಧಿಸುತ್ತಿರುವ ನಿರಂತರ ಪ್ರಗತಿಯು ಆ ಪೂರ್ವಕಲ್ಪನೆಯನ್ನು ಮುರಿಯುತ್ತಿದೆ. ದತ್ತಾಂಶ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಬಹಳ ದೊಡ್ಡ ಪ್ರಮಾಣದಲ್ಲಿ ನಡೆಸಲು ಸಾಧ್ಯವಾಗಬಹುದು. ದತ್ತಾಂಶವನ್ನು ಸೃಷ್ಟಿಸುವಾಗ ಊಹಿಸಲು ಕಷ್ಟವಾಗುವ ಸಹಯೋಗಗಳಿಂದ ಹೊಸ ಒಳನೋಟಗಳು ಹೊರಹೊಮ್ಮಬಹುದು.

ಆರ್ಟಿಫಿಷಿಯಲ್ ಜನರಲ್ ಇಂಟೆಲಿಜೆನ್ಸ್ ಇಡೀ ಮಾನವಕುಲಕ್ಕೆ ಪ್ರಯೋಜನ ನೀಡುವಂತೆ ಖಚಿತಪಡಿಸುವುದು ನಮ್ಮ ಧ್ಯೇಯವಾಗಿದೆ. ನಮ್ಮ ಬೆಂಬಲದಿಂದ ರಚನೆಯಾದ ವೈಜ್ಞಾನಿಕ ದತ್ತಾಂಶವನ್ನು ವ್ಯಾಪಕವಾಗಿ ಲಭ್ಯಗೊಳಿಸಬೇಕು. ಮಾನವರ ದತ್ತಾಂಶ ಒಳಗೊಂಡಿರುವ ಎಲ್ಲ ಸಂದರ್ಭಗಳಲ್ಲೂ ವೈಯಕ್ತಿಕ ಗೌಪ್ಯತೆ ಮತ್ತು ಸಮ್ಮತಿಯನ್ನು ಕಾಪಾಡಬೇಕು. ಆದರೆ ಲಭ್ಯತೆ ಎಂದರೆ ಕಚ್ಚಾ ದತ್ತಾಂಶವನ್ನು ಬಿಡುಗಡೆ ಮಾಡುವುದಷ್ಟೇ ಅಲ್ಲ. ಅನುದಾನ ಪಡೆದವರು ತಮ್ಮ ವಿಶ್ಲೇಷಣೆಗಳನ್ನು ಪೂರ್ವಪ್ರಕಟಣೆಗಳ ಮೂಲಕ ಪ್ರಕಟಿಸಲು, ಕೊನೆಯಲ್ಲಿ ಮಾತ್ರವಲ್ಲದೆ ನಿಯಮಿತವಾಗಿ ದತ್ತಾಂಶ ಹಂಚಿಕೊಳ್ಳಲು ಮತ್ತು ಅವರ ದತ್ತಾಂಶವು “ಸಂಪರ್ಕಿತ”ವಾಗಿಲ್ಲದಿದ್ದರೆ, ಜೈವಿಕವಾಗಿ ಮೌಲ್ಯಯುತ ಸಮಸ್ಯೆಗಳಲ್ಲಿ ಅದರ ಉಪಯುಕ್ತತೆಯನ್ನು ನಿರ್ಣಯಿಸಲು ದತ್ತಾಂಶ ಬಳಕೆದಾರರೊಂದಿಗೆ ಜೊತೆಗೂಡಿ ಕೆಲಸ ಮಾಡಲು ನಾವು ಪ್ರೋತ್ಸಾಹಿಸುತ್ತೇವೆ.

ಪುನರಾವರ್ತಿತ ಕಲಿಕೆ

ಪಬ್ಲಿಕ್‌ ಡೇಟಾ ಫಾರ್‌ ಹೆಲ್ತ್‌ ಕಾರ್ಯಕ್ರಮದ ಕುರಿತ ನಮ್ಮ ಆರಂಭಿಕ ನಿಲುವನ್ನು ಈ ಲೇಖನ ವಿವರಿಸುತ್ತದೆ. ವಿಜ್ಞಾನ ಮತ್ತು ಎಐ ಮುಂದುವರಿದಂತೆ ಹಾಗೂ ಸಂಶೋಧನಾ ಸಮುದಾಯದ ಇತರರೊಂದಿಗೆ ನಡೆಸುವ ಸಂಭಾಷಣೆಗಳಿಂದ ಕಲಿತಂತೆ, ನಾವು ನಮ್ಮ ದೃಷ್ಟಿಕೋನಗಳನ್ನು ಸಕ್ರಿಯವಾಗಿ ಪರಿಷ್ಕರಿಸುತ್ತಿದ್ದೇವೆ.

ಆರೋಗ್ಯಕ್ಕಾಗಿ ಸಾರ್ವಜನಿಕ ದತ್ತಾಂಶದ ಕುರಿತು ನಿಮ್ಮಲ್ಲಿ ಆಲೋಚನೆಗಳಿದ್ದರೆ, [email protected]⁠ ಮೂಲಕ ನಮ್ಮನ್ನು ಸಂಪರ್ಕಿಸಿ. ನಮ್ಮ ಕಾರ್ಯಕ್ರಮಗಳು ಮತ್ತು ಹಣಕಾಸಿನ ಕುರಿತ ಭವಿಷ್ಯದ ಮಾಹಿತಿಗಾಗಿ ನಮ್ಮ ಸುದ್ದಿಪತ್ರಕ್ಕೆ ಇಲ್ಲಿ⁠ ಚಂದಾದಾರರಾಗಬಹುದು.

ಈ ಲೇಖನದಲ್ಲಿ ಚರ್ಚಿಸಿದಂತಹ ಸಮಸ್ಯೆಗಳ ಕುರಿತು ಪೂರ್ಣಾವಧಿ ಚಿಂತಿಸುವುದು ನಿಮಗೆ ಆಸಕ್ತಿದಾಯಕವೆನಿಸಿದರೆ, ಜೀವ ವಿಜ್ಞಾನ ಮತ್ತು ರೋಗಗಳ ಚಿಕಿತ್ಸಾ ತಂಡದಲ್ಲಿ ಪ್ರಸ್ತುತ ಖಾಲಿಯಿರುವ ನಾಲ್ಕು ಹುದ್ದೆಗಳಿಗೆ⁠ ನಾವು ನೇಮಕ ಮಾಡಿಕೊಳ್ಳುತ್ತಿದ್ದೇವೆ.