ആരോഗ്യത്തിനായുള്ള പൊതുഡാറ്റ

ഏപ്രിലിൽ, ലൈഫ് സയൻസസ് ആൻഡ് ക്യൂറിങ് ഡിസീസസ് മേഖലയിലെ OpenAI Foundation-ന്റെ ആദ്യ പദ്ധതിയായ അൽഷൈമേഴ്സിനായുള്ള എഐ ഞങ്ങൾ ആരംഭിച്ചു⁠. ഇന്ന് ഞങ്ങളുടെ രണ്ടാമത്തെ ശാസ്ത്രപദ്ധതി അവതരിപ്പിക്കുന്നു: ആരോഗ്യത്തിനായുള്ള പൊതുഡാറ്റ.

നിരവധി കുടുംബങ്ങളെ ബാധിക്കുന്ന ഒരു രോഗത്തിൽ ശ്രദ്ധ കേന്ദ്രീകരിച്ച്, മെച്ചപ്പെട്ട ചികിത്സകൾ വികസിപ്പിക്കാൻ ശാസ്ത്രജ്ഞരെ എഐ സഹായിക്കുമെന്ന വിശ്വാസത്തോടെ പ്രവർത്തിക്കുകയാണ് അൽഷൈമേഴ്സിനായുള്ള എഐ പദ്ധതിയുടെ ലക്ഷ്യം. ഗവേഷകർക്ക് വ്യാപകമായി ലഭ്യമാക്കുന്ന ഉയർന്ന നിലവാരമുള്ള ശാസ്ത്രീയ ഡാറ്റാസെറ്റുകളുടെ സൃഷ്ടിക്കും സംരക്ഷണത്തിനും ധനസഹായം നൽകി, വിവിധ രോഗങ്ങളിലായി ലൈഫ് സയൻസസിന്റെ പുരോഗതി സാധ്യമാക്കുകയാണ് ആരോഗ്യത്തിനായുള്ള പൊതുഡാറ്റ പദ്ധതിയുടെ ലക്ഷ്യം.

നമുക്കു ചുറ്റുമുള്ള ലോകത്തെക്കുറിച്ചുള്ള നിരീക്ഷണങ്ങളാണ് ശാസ്ത്രീയ ഡാറ്റ; ഗവേഷണത്തിന്റെയും കണ്ടെത്തലിന്റെയും അടിസ്ഥാന ഘടകമാണത്. ഗണിതശാസ്ത്രത്തിലെ ചില മേഖലകൾപോലെ പുതിയ ഡാറ്റ ശേഖരിക്കാതെ തന്നെ കണ്ടെത്തലുകൾ സ്ഥിരീകരിക്കാനാകുന്ന മേഖലകളിൽ, എഐ സംവിധാനങ്ങൾ അടുത്തിടെ പുതിയ അറിവിലേക്ക്⁠ പുതിയ⁠ സംഭാവനകൾ നൽകാൻ⁠ തുടങ്ങിയിട്ടുണ്ട്. അതേസമയം, ജീവശാസ്ത്രത്തിൽ വലിയ തോതിലുള്ള ജൈവവിവരങ്ങൾ വിശകലനം ചെയ്യാനും അപൂർണമായ തെളിവുകളിൽനിന്നുപോലും മറഞ്ഞിരിക്കുന്ന ഘടന കണ്ടെത്താനും എഐ സംവിധാനങ്ങൾക്ക് കൂടുതലായി കഴിയുന്നു; ചിലപ്പോൾ അതിശയകരമായ കാര്യക്ഷമതയോടെയും.

എന്നാൽ രോഗപ്രതിരോധത്തിലും ചികിത്സയിലും ഇനിയും ഉണ്ടാകേണ്ട പല മുന്നേറ്റങ്ങളും പുതിയ മോഡലുകളുടെ ഇൻ്റലിജൻസിനൊപ്പം ലോകത്തെക്കുറിച്ചുള്ള കൂടുതൽ നിരീക്ഷണങ്ങൾ, അതായത് കൂടുതൽ ഡാറ്റ, ചേർക്കുന്നതിലൂടെയായിരിക്കുമെന്ന് ഞങ്ങൾ പ്രതീക്ഷിക്കുന്നു.

വളരെയധികം പൊതുമൂല്യമുള്ള ചില ഡാറ്റാസെറ്റുകൾക്ക് ധനസഹായം നൽകാൻ ഒരു സ്ഥാപനത്തിനും മതിയായ പ്രേരണയോ ശേഷിയോ ഇല്ലാത്തതിനാൽ അവ ഒരിക്കലും സൃഷ്ടിക്കപ്പെടുകയോ പങ്കിടപ്പെടുകയോ ചെയ്യാതിരിക്കാം. അതുകൊണ്ട് ആരോഗ്യത്തിനായുള്ള പൊതുഡാറ്റയെ പിന്തുണയ്ക്കുന്നത് OpenAI Foundation-ന്റെ ദൗത്യവുമായി ഏറെ പൊരുത്തപ്പെടുന്നു.

ഞങ്ങളുടെ പ്രാരംഭ ഗ്രാന്റുകൾ

തന്മാത്രകൾ മുതൽ രോഗവ്യാപനശാസ്ത്രവും നിയന്ത്രണവിജ്ഞാനവും വരെയുള്ള ഡാറ്റയുടെ പല തലങ്ങളിലായി, ലാഭേച്ഛയില്ലാത്ത സ്ഥാപനങ്ങൾക്കും സർവകലാശാലകൾക്കുമുള്ള ആദ്യഘട്ടത്തിൽ 12.5 കോടി ഡോളറിലധികം ഗ്രാന്റുകൾ നൽകി ഞങ്ങൾ പിന്തുണ ആരംഭിക്കുന്നു.

ഞങ്ങൾ പിന്തുണയ്ക്കുന്ന പദ്ധതികളുടെ ഏതാനും ഉദാഹരണങ്ങൾ ഇതാ:

1. ചെറിയ തന്മാത്രകൾ ശരീരത്തിൽ എങ്ങനെ ആഗിരണം ചെയ്യപ്പെടുകയും വിതരണം ചെയ്യപ്പെടുകയും ചെയ്യുന്നുവെന്ന് പ്രവചിക്കാൻ എഐ മോഡലുകളെ പരിശീലിപ്പിക്കാനാകുമോ എന്ന് പരിശോധിക്കാൻ OpenADMET⁠ തുറന്ന ഡാറ്റാസെറ്റുകളും മാനദണ്ഡങ്ങളും വിവരങ്ങൾ മറച്ചുവെച്ച മത്സരങ്ങളും സൃഷ്ടിക്കും. ഇത് ഔഷധവികസനം കൂടുതൽ പ്രവചനക്ഷമമാക്കാനും പുതിയ മരുന്നുകളുടെ പരാജയനിരക്ക് കുറയ്ക്കാനും സഹായിക്കും.

   ഔഷധസ്ഥാനാർഥികളിൽ 90 ശതമാനവും ക്ലിനിക്കൽ പരീക്ഷണങ്ങളിൽ പരാജയപ്പെടുന്നു⁠. അവ എങ്ങനെ ആഗിരണം ചെയ്യപ്പെടുമെന്നും ശരീരത്തിലൂടെ സഞ്ചരിക്കുമെന്നും, അതായത് അവയുടെ “ADMET” സവിശേഷതകൾ⁠, പ്രവചിക്കാനുള്ള ബുദ്ധിമുട്ടാണ് പലപ്പോഴും ഇതിനു കാരണം. വ്യത്യസ്ത മോഡലുകളുടെ പ്രവചനകൃത്യത ഉറപ്പാക്കാൻ ഉയർന്ന നിലവാരമുള്ള ഡാറ്റയുമായി ചേർക്കുമ്പോൾ, ഇത്തരത്തിലുള്ള പരിഹരിക്കപ്പെടാത്ത പ്രവചനപ്രശ്നങ്ങൾ എഐക്ക് അനുയോജ്യമായിരിക്കും. ഉദാഹരണത്തിന്, CASP⁠ നടത്തിയ മറ്റ് മോഡലിങ് സമീപനങ്ങളുമായുള്ള മത്സരത്തിൽ, പ്രോട്ടീൻ ഡാറ്റാ ബാങ്കിലെ⁠ ഡാറ്റ ഉപയോഗിച്ച് AlphaFold2 പ്രോട്ടീൻ ഘടനാപ്രവചനം അടിമുടി മാറ്റി. രോഗികൾക്ക് ഭാവിയിൽ പ്രയോജനപ്പെടാൻ സാധ്യതയുള്ള നിരവധി ഔഷധകണ്ടെത്തൽ പദ്ധതികളിൽ പ്രോട്ടീൻ ഘടനാപ്രവചനം ഇപ്പോൾ ഉൾപ്പെടുത്തിയിട്ടുണ്ട്.

   മരുന്ന് പരീക്ഷണ ഘട്ടത്തിലുള്ള ഘടകങ്ങളുടെ ADMET സവിശേഷതകൾ കൂടുതൽ കൃത്യമായി പ്രവചിക്കാൻ, പുതിയ പ്രവചന മോഡലുകൾക്ക് അടിസ്ഥാനമാക്കാൻ കഴിയുന്ന ഉയർന്ന നിലവാരമുള്ള ഡാറ്റാസെറ്റുകൾ OpenADMET ടീം വികസിപ്പിക്കുകയും, ലോകമെമ്പാടുമുള്ള ഗവേഷകർക്ക് പങ്കെടുക്കാൻ സാധിക്കുന്ന ഓപ്പൺ ചലഞ്ചുകൾ സംഘടിപ്പിക്കുകയും ചെയ്യും.

   

   “ഒരു പ്രത്യേക രോഗം ഭേദമാക്കാൻ ശ്രമിക്കുന്ന ഏതെങ്കിലും കമ്പനിക്കോ അക്കാദമിക് ലാബിനോ ഒറ്റയ്ക്ക് പരിഹരിക്കാനാകാത്ത പൊതുവായ പ്രശ്നങ്ങൾ ഔഷധകണ്ടെത്തൽ മേഖലയിൽ നിറഞ്ഞിരിക്കുന്നു,” എന്ന് OpenADMET ഭരണസമിതി അംഗവും UCSF-ലെ ബയോഎൻജിനീയറിങ് ആൻഡ് തെറപ്യൂട്ടിക് സയൻസസ് പ്രൊഫസറും വകുപ്പ് അധ്യക്ഷനുമായ ജെയിംസ് ഫ്രേസർ, പിഎച്ച്ഡി പറഞ്ഞു. “ഈ പ്രശ്നങ്ങളെ തുറന്നതും മെഷീൻ ലേണിങ്ങിന് സജ്ജവുമായ രീതിയിൽ നേരിടാനാണ് OpenADMET നിർമിച്ചത്. പുതിയ ചികിത്സകളുടെ വികസനം എഐയിലൂടെ ഗണ്യമായി ത്വരിതപ്പെടുത്താൻ സഹായിക്കുന്ന അടിസ്ഥാനതലം നിർമിക്കാനാകുന്നതിൽ ഞങ്ങൾ ആവേശഭരിതരാണ്.”

2. പരാജയപ്പെട്ട ഔഷധവികസന പദ്ധതികളിലെ നിയന്ത്രണവിജ്ഞാനം CTD Commons⁠ സംരക്ഷിക്കുകയും പ്രസിദ്ധീകരിക്കുകയും ചെയ്യും. സാധാരണയായി ലഭ്യമല്ലാത്ത മുൻ അനുഭവങ്ങളിൽനിന്ന് ഭാവിയിലെ സംഘങ്ങൾക്ക് പഠിക്കാനും രോഗികൾക്കുള്ള ഫലപ്രദമായ ചികിത്സകൾ വേഗത്തിൽ കണ്ടെത്താനും ഇത് സഹായിക്കും.

   അന്വേഷണഘട്ടത്തിലുള്ള ഒരു മരുന്നിന്റെ സമ്പൂർണ യാത്ര സമാഹരിക്കുന്ന രേഖയാണ് CTD അഥവാ കോമൺ ടെക്നിക്കൽ ഡോക്യുമെന്റ്. മൃഗങ്ങളിലെ വിഷശാസ്ത്രപരിശോധനയും നിർമാണവിവരങ്ങളും മുതൽ, ഒരുപക്ഷേ ഏറ്റവും പ്രയോജനകരമായ FDA കത്തിടപാടുകൾവരെ അതിൽ ഉൾപ്പെടുന്നു. എന്നിട്ടും ആ പ്രവർത്തനത്തിന്റെ ചെറിയൊരു ഭാഗം മാത്രമാണ് പ്രസിദ്ധീകരിച്ച പ്രബന്ധങ്ങളിൽ പ്രത്യക്ഷപ്പെടുന്നത്.

   പരാജയപ്പെട്ടതോ നിർത്തിവെച്ചതോ ആയ ഔഷധപദ്ധതികളിൽനിന്ന് CTD-കൾ നേടാനാകുമോ എന്ന് CTD Commons പരിശോധിക്കുകയും ഗവേഷണത്തിനും വിശകലനത്തിനുമായി എല്ലാവർക്കും അവ തുറന്നുനൽകുകയും ചെയ്യും.

   “FDA-യ്ക്കുള്ള ഓരോ സമർപ്പണത്തിന്റെയും പിന്നിൽ ഗവേഷകരും അവലോകകരും പഠനത്തിൽ പങ്കെടുത്തവരും നടത്തിയ കഠിനാധ്വാനവും ത്യാഗങ്ങളുമുണ്ട്. ഈ ശ്രമങ്ങൾ പരാജയപ്പെട്ടാലും അവ സൃഷ്ടിക്കുന്ന വിലപ്പെട്ട വിവരങ്ങൾ പാഴാകരുത്,” എന്ന് CTD Commons-ന്റെ മുഖ്യ സംഘാടകനും 1Day Sooner-ന്റെ പ്രസിഡന്റുമായ ജോഷ് മോറിസൺ പറഞ്ഞു. “CTD Commons ആവർത്തിച്ചുള്ള പ്രവർത്തനവും ചെലവും കുറച്ച് ക്ലിനിക്കൽ ഗവേഷണത്തിന്റെ പ്രഭാവം പരമാവധിയാക്കും.”

3. കാൻസർ കണ്ടെത്തുമ്പോൾ രോഗികൾക്ക് അതിവേഗം വ്യക്തിഗതമാക്കിയ കാൻസർ വാക്സിനുകൾ ലഭിക്കുന്നൊരു ഭാവി സാധ്യമാക്കാൻ, പൊതുവായ ബഹുമാധ്യമ ഡാറ്റ സൃഷ്ടിച്ചുകൊണ്ട് UNC⁠ ജനറേറ്റീവ് ഇമ്യൂണോതെറാപ്പി സംരംഭം സ്ഥാപിക്കും.

   ഇന്നത്തെ "നിയോആന്റിജൻ" കാൻസർ വാക്സിനുകൾ, ഓരോ രോഗിക്കും അനുയോജ്യമായ രീതിയിൽ കമ്പ്യൂട്ടേഷണൽ സാങ്കേതികവിദ്യ ഉപയോഗിച്ച് രൂപകൽപ്പന ചെയ്യുന്ന അപൂർവ്വം മരുന്നുകളിൽ ഒന്നാണ്; ട്യൂമർ കോശത്തിന്റെ ഉപരിതലത്തിൽ പ്രകടമാകുന്ന ട്യൂമർ-പ്രത്യേക ലക്ഷ്യങ്ങൾ ഏതെല്ലാമാണെന്ന് മുൻകൂട്ടി പ്രവചിക്കാൻ കോശത്തിന്റെ സീക്വൻസിംഗ് ജനിതകക്രമനിർണയം നടത്തിയാണ് ഇത് സാധ്യമാക്കുന്നത്. എന്നാൽ ഈ ജനിതകക്രമനിർണയം എന്നത് യഥാർത്ഥ അവസ്ഥയുടെ ഒരു പരോക്ഷ സൂചന മാത്രമാണ്. കാരണം, കോശോപരിതലത്തിലെ ലക്ഷ്യങ്ങൾ നേരിട്ട് അളക്കുന്നതും, ഈ പ്രോട്ടീനുകളോട് രോഗിയുടെ പ്രതിരോധ സംവിധാനം എത്രത്തോളം ശക്തമായി പ്രതികരിക്കുന്നുവെന്ന് പരിശോധിക്കുന്നതും വളരെ ചെലവേറിയതും സങ്കീർണ്ണവുമായ കാര്യമാണ്.

   നൂറുകണക്കിന് ട്യൂമറുകളിലും വിവിധ കാൻസർ തരങ്ങളിലുമായി വിട്ടുപോയ ആ ബന്ധങ്ങൾ UNC കണ്ടെത്തും. ലോകമെമ്പാടുമുള്ള ഗവേഷകർക്ക് തുടർപ്രവർത്തനത്തിനായി വ്യക്തികളെ തിരിച്ചറിയാനാകാത്ത പൊതുഡാറ്റ ഉൾപ്പെടുന്ന, ഈ മേഖലയിലെ ആദ്യ പരിശീലന-മൂല്യനിർണയ ഡാറ്റാസെറ്റുകളിലൊന്ന് ഇതിലൂടെ സൃഷ്ടിക്കും.

   “വ്യക്തിഗതമാക്കിയ കാൻസർ വാക്സിനുകൾ ഒടുവിൽ ക്ലിനിക്കൽ ഫലപ്രാപ്തിയുടെ സൂചനകൾ കാണിച്ചുതുടങ്ങി. എന്നാൽ പരമ്പരാഗത ചികിത്സാവികസന മോഡലിൽ നികത്താൻ പതിറ്റാണ്ടുകളെടുത്തേക്കാവുന്ന വിടവുകൾ ഇപ്പോഴുമുണ്ട്. ഉയർന്ന നിലവാരമുള്ള ഡാറ്റയ്ക്ക് ആ വിടവുകൾ വേഗത്തിൽ നികത്താൻ ഞങ്ങളെ സഹായിക്കാനാകും,” എന്ന് UNC സ്കൂൾ ഓഫ് മെഡിസിനിലെ ജനിതകശാസ്ത്ര അസിസ്റ്റന്റ് പ്രൊഫസർ അലക്സ് റൂബിൻസ്റ്റൈൻ, പിഎച്ച്ഡി പറഞ്ഞു. “ഈ സമയപരിധി ചുരുക്കാനും പൊതുവേ ഫലപ്രദമായ വ്യക്തിഗത ഇമ്യൂണോതെറാപ്പികൾ യാഥാർഥ്യമാക്കാൻ സഹായിക്കാനും കഴിയുന്നതിൽ ഞങ്ങൾ ആവേശഭരിതരാണ്.”

   

ഞങ്ങളുടെ പ്രാരംഭ തന്ത്രം

OpenAI Foundation-ന്റെ ഭാവി ഗ്രാന്റ് അവസരങ്ങളിൽ താൽപര്യമുള്ള ഗവേഷകർക്ക് ഈ ഭാഗം പ്രത്യേകിച്ചും പ്രസക്തമാകുമെന്ന് ഞങ്ങൾ പ്രതീക്ഷിക്കുന്നു.

ഏതെങ്കിലുമൊരു ധനസഹായസ്ഥാപനത്തിന് പിന്തുണയ്ക്കാനാകുന്നതിനെക്കാൾ വളരെയധികം ശാസ്ത്രീയ ഡാറ്റ ശേഖരിക്കുന്നത് മൂല്യവത്തായിരിക്കും. അതിനാൽ OpenAI Foundation-ന്റെ പിന്തുണ ഏറ്റവും പ്രയോജനകരമാകുമെന്ന് ഞങ്ങൾ കരുതുന്ന ഡാറ്റാ തരങ്ങളെക്കുറിച്ച് ഗവേഷകസമൂഹവുമായി ഇവിടെ കൂടുതൽ വിവരങ്ങൾ പങ്കിടാൻ ആഗ്രഹിച്ചു.

ഞങ്ങൾ ആദ്യം ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നത് പരസ്പരബന്ധിതമായ ഡാറ്റ, ദുർലഭമായ ഡാറ്റ, നേരിട്ടുള്ള ഡാറ്റ എന്നിവയിലാണ്. ഞങ്ങൾ ധനസഹായം നൽകുന്ന ഡാറ്റാസെറ്റുകൾക്ക് സാധാരണയായി താഴെ വിശദീകരിക്കുന്ന ഈ സവിശേഷതകളിൽ ഒന്നോ രണ്ടോ ഉണ്ടായിരിക്കും; അപൂർവമായി മൂന്നും ഉണ്ടായേക്കാം.

എല്ലാ ഡാറ്റാസെറ്റുകളിലും, രോഗികളുടെ ഡാറ്റ ഉൾപ്പെടുന്നിടത്തെല്ലാം സ്വകാര്യത ഉറപ്പാക്കിക്കൊണ്ട് ഡാറ്റ വ്യാപകമായി ലഭ്യമാക്കുന്നത് കൂടുതൽ പ്രാധാന്യമുള്ളതായി മാറുമെന്ന് ഞങ്ങൾ വിശ്വസിക്കുന്നു. ഇത് ഗവേഷകർക്ക് പരസ്പരം മറ്റുള്ളവരുടെ പ്രവർത്തനത്തെ അടിസ്ഥാനമാക്കി മുന്നേറാനും പ്രതീക്ഷിക്കാത്ത ഇടങ്ങളിൽനിന്ന് ശാസ്ത്രീയ പുരോഗതി ഉണ്ടാകാനും സഹായിക്കും.

1. പരസ്പരബന്ധിതമായ ഡാറ്റ: പല ഘട്ടങ്ങളിലൂടെ ജീവശാസ്ത്രത്തെ പിന്തുടരൽ

   ജീവശാസ്ത്രം വ്യത്യസ്ത തലങ്ങളിൽ വികസിക്കുന്നുവെങ്കിലും മിക്ക ലൈഫ് സയൻസ് ഡാറ്റാസെറ്റുകളും യാഥാർഥ്യത്തിന്റെ ഒരു ഭാഗം മാത്രമേ രേഖപ്പെടുത്തുന്നുള്ളൂ. ഒരു കോശ അറ്റ്ലസ് ആയിരക്കണക്കിന് കോശങ്ങളിലെ തന്മാത്രകൾ അളക്കുമ്പോൾ, ഏകതന്മാത്രാ ചിത്രീകരണം ഒരു കോശത്തെ മാത്രമാണ് പിന്തുടരുന്നത്. രണ്ട് വീക്ഷണങ്ങളും വിലപ്പെട്ടതാണ്. എന്നാൽ ഇത്തരം ഡാറ്റാസെറ്റുകൾ സാധാരണയായി സ്വതന്ത്രമായി സൃഷ്ടിക്കപ്പെടുന്നതിനാൽ, ശാസ്ത്രീയ ഫലങ്ങൾ പരസ്പരം എങ്ങനെ ബന്ധപ്പെട്ടിരിക്കുന്നുവെന്ന് നിർണയിക്കാൻ വർഷങ്ങളോളം തുടർപ്രവർത്തനം വേണ്ടിവന്നേക്കാം. ഈ തലങ്ങൾക്കിടയിൽ ആസൂത്രിതമായി സഞ്ചരിക്കാനും വ്യത്യസ്ത പാളികൾ പരസ്പരം ശക്തിപ്പെടുത്തുന്ന സമ്പന്നവും പരസ്പരബന്ധിതവുമായ ഡാറ്റാസെറ്റുകൾ സൃഷ്ടിക്കാനും ഗവേഷകസംഘങ്ങളെ പിന്തുണയ്ക്കാൻ ഞങ്ങൾ ആഗ്രഹിക്കുന്നു.

   ഉദാഹരണത്തിന്, UCSF-ന് നൽകുന്ന ഞങ്ങളുടെ ഗ്രാന്റ് പതിനായിരക്കണക്കിന് സംയുക്തങ്ങളുടെ നിർണ്ണായകമായ തന്മാത്രാ സവിശേഷതകളും പ്രതിപ്രവർത്തനങ്ങളും അളക്കാൻ OpenADMET ടീമിനെ സഹായിക്കും. തുടർന്ന്, ഈ വിപുലമായ സവിശേഷതാവിവരങ്ങളെ ഡ്രഗ് ട്രാൻസ്‌പോർട്ടിന്റെ രണ്ട് തലങ്ങളുമായി ടീം പരസ്പരം ബന്ധിപ്പിക്കും: തിരഞ്ഞെടുത്ത തന്മാത്രകളുമായി ചേർന്ന ട്രാൻസ്‌പോർട്ടർ പ്രോട്ടീനുകളുടെ പരീക്ഷണാടിസ്ഥാനത്തിൽ നിശ്ചയിച്ച ഘടനകൾ, കൂടാതെ ഈ പ്രോട്ടീനുകൾ തന്മാത്രകളുമായി പ്രവർത്തനപരമായി എങ്ങനെ പ്രതിപ്രവർത്തിക്കുന്നുവെന്ന് അളക്കുന്ന മൂല്യനിർണ്ണയം. ഒടുവിൽ, മനുഷ്യരിലെ രക്ത-മസ്തിഷ്ക തടസ്സത്തിന്റെ മോഡലുകളിൽ ഈ സംയുക്തങ്ങളിൽ നിന്നൊരു കൂട്ടം പരീക്ഷിക്കുകയും, അവയുടെ ഫലങ്ങൾ മൃഗങ്ങളിൽ നടത്തിയ പരീക്ഷണഫലങ്ങളുമായി താരതമ്യം ചെയ്യുകയും ചെയ്യും.

   ഡാറ്റാ ശേഖരണത്തിലെ ഈ സമീപനം ശരീരത്തിലൂടെയുള്ള മരുന്നിന്റെ സഞ്ചാരത്തെ നിർണയിക്കുന്ന ഘടകങ്ങളെക്കുറിച്ച് അസാധാരണമാംവിധം സമഗ്രമായ ചിത്രം നൽകും. മനുഷ്യർക്ക് പ്രാധാന്യമുള്ള തലത്തിൽ എഐ മോഡലുകൾ ഉപയോഗിച്ച് മികച്ച പ്രവചനങ്ങൾ നടത്താൻ ഇത് സഹായിക്കും.

2. ദുർലഭമായ ഡാറ്റ: വീണ്ടും സൃഷ്ടിക്കാനാകാത്തവ സംരക്ഷിക്കൽ

   ഭാവിയിലെ എഐ എത്ര ശേഷിയുള്ളതായാലും, സവിശേഷമായ ചില സമയങ്ങളിൽ നടന്ന ജൈവസംഭവങ്ങൾ നിരീക്ഷിക്കാൻ കാലത്തിലേക്ക് മടങ്ങാനാവില്ല. വിശ്വസനീയമായ ജീവസ്ഥിതിവിവരക്കണക്കുകളില്ലാത്ത രാജ്യങ്ങളിലെ മരണത്തിന്റെയും അനാരോഗ്യത്തിന്റെയും കാരണങ്ങളും, കഴിഞ്ഞുപോയ പ്രത്യേക സമയങ്ങളിൽ രോഗികളിൽനിന്നെടുത്ത ജൈവസാമ്പിളുകളുടെ ഉള്ളടക്കവും ഇതിന് ഉദാഹരണങ്ങളാണ്. തിരിച്ചുപോകാനാകാത്ത ഇത്തരം സാഹചര്യങ്ങൾ ജീവശാസ്ത്രത്തിൽ നിരവധിയുണ്ട്. ഇന്ന് ഗവേഷകർക്ക് മുൻകൂട്ടി കാണാനാകാത്ത ഉപയോഗങ്ങൾ ഭാവിയിലെ മോഡൽ നിർമാതാക്കൾ ഇത്തരം തെളിവുകൾക്ക് കണ്ടെത്തിയേക്കാം. അതിനാൽ അവസരം നഷ്ടപ്പെടുന്നതിനുമുമ്പ് വിലപ്പെട്ട ഡാറ്റ ശേഖരിക്കുകയോ സംരക്ഷിക്കുകയോ ചെയ്യുന്ന നിർദേശങ്ങളിലും, സ്വകാര്യതയും വ്യക്തിഗത സമ്മതവും മാനിച്ചുകൊണ്ട് വീണ്ടും സൃഷ്ടിക്കാനാകാത്ത നിലവിലുള്ള സ്വകാര്യ ഡാറ്റാസെറ്റുകൾ വ്യാപകമായി ലഭ്യമാക്കുന്ന നിർദേശങ്ങളിലും ഞങ്ങൾക്ക് പ്രത്യേക താൽപര്യമുണ്ട്.

   ഉദാഹരണത്തിന്, കമ്പനികൾ അടച്ചുപൂട്ടുകയും രേഖകൾ അപ്രത്യക്ഷമാകുകയും ചെയ്യുന്നതിനുമുമ്പ് പരാജയപ്പെട്ട ഔഷധവികസന പദ്ധതികളുടെ രേഖകൾ സംരക്ഷിക്കാനാകുമോ എന്ന് CTD Commons-നുള്ള ഞങ്ങളുടെ ഗ്രാന്റ് പരിശോധിക്കും. സമാന ഉൽപ്പന്നങ്ങളിൽനിന്ന് നിയന്ത്രണ ഏജൻസികൾ എന്താണ് ആവശ്യപ്പെട്ടതെന്ന് മനസ്സിലാക്കാൻ പ്രാരംഭഘട്ട ഔഷധവികസന സംഘങ്ങളെ ഈ രേഖകൾ സമീപകാലത്ത് സഹായിച്ചേക്കാം. അതുവഴി ചെലവേറിയ പരീക്ഷണങ്ങളിലൂടെയും പിഴവുകളിലൂടെയും അവർ പഠിക്കേണ്ടിവരില്ല. ദീർഘകാലത്ത്, മരുന്നുകൾ പരാജയപ്പെടുകയോ വിജയിക്കുകയോ ചെയ്യുന്നതിലെ മാതൃകകൾ കണ്ടെത്താൻ മെഷീൻ ലേണിങ് സംവിധാനങ്ങൾക്ക് ഈ രേഖകൾ വിഭവങ്ങളായേക്കാം. നിയന്ത്രണത്തിലോ പരീക്ഷണതന്ത്രങ്ങളിലോ മെച്ചപ്പെടുത്തലുകൾ വരുത്താനും പുതിയ ചികിത്സകളുടെ പ്രയോജനം രോഗികൾക്ക് വേഗത്തിൽ ലഭിക്കാനും ഇത് സഹായിക്കും.

3. നേരിട്ടുള്ള ഡാറ്റ: ഏറ്റവും പ്രാധാന്യമുള്ള കാര്യങ്ങളോട് ഏറ്റവും അടുത്ത ജൈവ, ക്ലിനിക്കൽ അവസ്ഥകൾ അളക്കൽ

   അളക്കാൻ എളുപ്പമോ ചെലവുകുറഞ്ഞതോ ആയ കാര്യങ്ങൾ അളക്കുന്നതിലായിരുന്നു ജീവശാസ്ത്രത്തിന്റെ ചരിത്രത്തിലെ വലിയൊരു പങ്കും ചെലവായത്. ഉദാഹരണത്തിന്, മനുഷ്യരിലെ ക്ലിനിക്കൽ ഡാറ്റയ്ക്കുപകരം ഓരോ കോശത്തിന്റെയും ഡാറ്റ അളക്കുന്നതും പ്രോട്ടീനുകൾക്കുപകരം RNA അഭിവ്യക്തി അളക്കുന്നതും. ഈ പരോക്ഷ സൂചകങ്ങൾ വളരെയധികം പ്രയോജനപ്പെട്ടിട്ടുണ്ട്. എന്നാൽ ജീവശാസ്ത്രം മനസ്സിലാക്കുക, രോഗങ്ങൾ തടയുക, ചികിത്സിക്കുക എന്നീ ലക്ഷ്യങ്ങളിൽനിന്ന് അവ അകന്നുപോകാനും സാധ്യതയുണ്ട്. ഇത്തരം സാഹചര്യങ്ങളിൽ ഏറ്റവും പ്രാധാന്യമുള്ള കാര്യങ്ങൾ അളക്കുന്ന ഡാറ്റാസെറ്റുകൾ സമാഹരിക്കാൻ ആവശ്യമായ വിഭവങ്ങൾ ഗവേഷകർക്ക് നൽകാൻ ഞങ്ങൾ ആഗ്രഹിക്കുന്നു. “ജൈവസത്യം” അളക്കാൻ ആവശ്യമായ ഉപകരണങ്ങൾ ഇതുവരെ നിലവിലില്ലായിരിക്കാം, അല്ലെങ്കിൽ വലിയ തോതിൽ ഉപയോഗിക്കാൻ കഴിയാത്തത്ര ചെലവേറിയതായിരിക്കാം. ഈ പദ്ധതിയിലൂടെ പുതിയ ഡാറ്റയും പുതിയ ഉപകരണങ്ങളും എന്ന രണ്ട് സംരംഭങ്ങളെയും പിന്തുണയ്ക്കാനാകുമെന്ന് ഞങ്ങൾ പ്രതീക്ഷിക്കുന്നു.

   ഉദാഹരണത്തിന്, ജനറേറ്റീവ് ഇമ്യൂണോതെറാപ്പി സംരംഭം സ്ഥാപിക്കാൻ UNC-യ്ക്കു നൽകുന്ന ഞങ്ങളുടെ ഗ്രാന്റ്, അടുത്ത തലമുറ കാൻസർ വാക്സിനുകൾ മെച്ചപ്പെടുത്താൻ ആവശ്യമായ മനുഷ്യരെ അടിസ്ഥാനമാക്കിയുള്ള ഡാറ്റ സൃഷ്ടിക്കാൻ UNC Lineberger, UNC Health സംഘങ്ങളെ സഹായിക്കും. അതായത് ട്യൂമറിന്റെ ജനിതകക്രമം “മാത്രം” നിർണയിക്കുന്നതിനുപകരം, ട്യൂമർ കോശങ്ങളുടെ ഉപരിതല പ്രോട്ടീനുകളും രോഗികളുടെ ടി കോശ പ്രതികരണങ്ങളും നേരിട്ട് അളക്കുക. ഈ ഡാറ്റ സൃഷ്ടിക്കുന്നത് ചെലവേറിയതാണ്. ഇത്തവണ അത് സമഗ്രമായി നിർവഹിക്കുകയും ഫലങ്ങൾ തുറന്നുനൽകുകയും ചെയ്യുന്നതിലൂടെ ഭാവിയിലെ എല്ലാ കാൻസർ വാക്സിൻ ശ്രമങ്ങൾക്കും പ്രയോജനം ലഭിക്കുമെന്ന് ഞങ്ങൾ പ്രതീക്ഷിക്കുന്നു. പ്രത്യേകിച്ച്, ഈ പദ്ധതി വിജയിച്ചാൽ കൂടുതൽ ശക്തമായ ലക്ഷ്യങ്ങളുമായി ഭാവിയിലെ വാക്സിൻ സ്ഥാനാർഥികൾക്ക് മനുഷ്യരിലെ ഡോസിങ് ഘട്ടത്തിലേക്ക് പ്രവേശിക്കാനാകും. അത് അവ ഫലപ്രദമാകാനുള്ള സാധ്യത വർധിപ്പിക്കുകയും ഫലപ്രദമാകാത്തപ്പോൾ അവയിൽനിന്ന് കൂടുതൽ പഠിക്കാൻ സഹായിക്കുകയും ചെയ്യും.

ഗവേഷകർക്ക് ഡാറ്റ ലഭ്യമാണെന്ന് ഉറപ്പാക്കൽ

ഒടുവിൽ, ഞങ്ങളുടെ എല്ലാ ഗ്രാന്റുകളിലൂടെയും ലഭിക്കുന്ന ഡാറ്റാസെറ്റുകൾ ലോകമെമ്പാടുമുള്ള ഗവേഷകർക്ക് പരമാവധി ലഭ്യമാക്കുന്നുവെന്ന് ഞങ്ങൾ ഉറപ്പാക്കുന്നു.

ശാസ്ത്രചരിത്രത്തിന്റെ വലിയൊരു കാലയളവിൽ, പരികൽപ്പനകൾ പരിശോധിക്കുന്നതായിരുന്നു കണ്ടെത്തലുകൾക്കുള്ള പ്രധാന തടസ്സം. പ്രശ്നങ്ങൾ പരിഹരിക്കാൻ ഉപയോഗിക്കാവുന്ന “ഇൻ്റലിജൻസ്” പരിമിതമായിരുന്നു. നിശ്ചിത എണ്ണം ബിരുദാനന്തര വിദ്യാർഥികളും തൊഴിൽപരിചയമുള്ള ശാസ്ത്രജ്ഞരും ഒരു പ്രശ്നത്തെക്കുറിച്ച് ഡാറ്റ സൃഷ്ടിക്കുകയും വിശകലനം ചെയ്യുകയും ചെയ്തു. കോഡിങ്ങിലും ഡാറ്റാ വിശകലനത്തിലുമുള്ള എഐയുടെ തുടർച്ചയായ പുരോഗതി ആ ധാരണയെ തകർക്കുന്നു. ഡാറ്റാ വിശകലനം വളരെ വലിയ തോതിൽ നടത്താനായേക്കാം. ഡാറ്റ സൃഷ്ടിക്കുന്ന സമയത്ത് മുൻകൂട്ടി കാണാൻ പ്രയാസമുള്ള സഹകരണങ്ങളിൽനിന്ന് പുതിയ ഉൾക്കാഴ്ചകളും ഉയർന്നുവരാം.

ആർട്ടിഫിഷ്യൽ ജനറൽ ഇന്റലിജൻസ് മുഴുവൻ മനുഷ്യരാശിക്കും പ്രയോജനപ്പെടുന്നുവെന്ന് ഉറപ്പാക്കുകയാണ് ഞങ്ങളുടെ ദൗത്യം. ഞങ്ങളുടെ പിന്തുണയോടെ സൃഷ്ടിക്കുന്ന ശാസ്ത്രീയ ഡാറ്റ വ്യാപകമായി ലഭ്യമാക്കണം. മനുഷ്യരുടെ ഡാറ്റ ഉൾപ്പെടുന്നിടത്തെല്ലാം വ്യക്തികളുടെ സ്വകാര്യതയും സമ്മതവും സംരക്ഷിക്കുകയും വേണം. എന്നാൽ ഡാറ്റ ലഭ്യമാക്കുക എന്നത് അസംസ്കൃത ഡാറ്റ പുറത്തുവിടുന്നതിൽ മാത്രം ഒതുങ്ങുന്നില്ല. വിശകലനങ്ങൾ പ്രസിദ്ധീകരണത്തിനു മുമ്പുള്ള പ്രബന്ധങ്ങളായി പ്രസിദ്ധീകരിക്കാനും അവസാനത്തിൽ മാത്രം നൽകാതെ പതിവായി ഡാറ്റ പങ്കിടാനും ഗ്രാന്റ് സ്വീകർത്താക്കളെ ഞങ്ങൾ പ്രോത്സാഹിപ്പിക്കുന്നു. അവരുടെ ഡാറ്റ “പരസ്പരബന്ധിതമല്ലെങ്കിൽ”, ജൈവശാസ്ത്രപരമായി മൂല്യമുള്ള പ്രശ്നങ്ങളിൽ അതിന്റെ പ്രയോജനം വിലയിരുത്താൻ ഡാറ്റ ഉപയോഗിക്കുന്നവരോടൊപ്പം പ്രവർത്തിക്കാനും നിർദേശിക്കുന്നു.

ആവർത്തിച്ചുള്ള പഠനം

ആരോഗ്യത്തിനായുള്ള പൊതുഡാറ്റ പദ്ധതിയെക്കുറിച്ചുള്ള ഞങ്ങളുടെ പ്രാരംഭ സമീപനമാണ് ഈ കുറിപ്പ് വിശദീകരിക്കുന്നത്. ശാസ്ത്രവും എഐയും പുരോഗമിക്കുന്നതിനനുസരിച്ചും ഗവേഷകസമൂഹത്തിലെ മറ്റുള്ളവരുമായുള്ള സംഭാഷണങ്ങളിൽനിന്നും ലഭിക്കുന്ന അറിവനുസരിച്ചും ഞങ്ങളുടെ കാഴ്ചപ്പാടുകൾ സജീവമായി പുതുക്കിവരുന്നു.

ആരോഗ്യത്തിനായുള്ള പൊതുഡാറ്റ പദ്ധതിയെക്കുറിച്ച് നിങ്ങൾക്ക് ആശയങ്ങളുണ്ടെങ്കിൽ [email protected]⁠ എന്ന വിലാസത്തിൽ ഞങ്ങളുമായി ബന്ധപ്പെടാൻ ഞങ്ങൾ പ്രോത്സാഹിപ്പിക്കുന്നു. ഞങ്ങളുടെ പദ്ധതികളെയും ധനസഹായത്തെയും കുറിച്ചുള്ള ഭാവിയിലെ അപ്‌ഡേറ്റുകൾ ലഭിക്കുന്നതിന് നിങ്ങൾക്ക് ഇവിടെ⁠ ഞങ്ങളുടെ വാർത്താക്കുറിപ്പിന്റെ വരിക്കാരാകാം.

ഈ കുറിപ്പിൽ ചർച്ച ചെയ്തതുപോലുള്ള പ്രശ്നങ്ങളെക്കുറിച്ച് മുഴുവൻ സമയവും ചിന്തിക്കുന്നത് നിങ്ങൾക്ക് താൽപര്യമുള്ള കാര്യമാണെങ്കിൽ, ലൈഫ് സയൻസസ് ആൻഡ് ക്യൂറിങ് ഡിസീസസ് സംഘത്തിലെ നാല് ഒഴിവുകളിലേക്ക്⁠ ഞങ്ങൾ ഇപ്പോൾ നിയമനം നടത്തുന്നു.