Эрүүл мэндийн нээлттэй өгөгдөл
Дөрөвдүгээр сард бид Альцхаймерын эсрэг хиймэл оюун ухаан хөтөлбөрийг эхлүүлсэн. Энэ нь OpenAI Foundation-ы Амьдралын шинжлэх ухаан ба өвчнийг анагаах чиглэлийн анхны хөтөлбөр юм. Өнөөдөр бид шинжлэх ухааны хоёр дахь хөтөлбөр болох Эрүүл мэндийн нээлттэй өгөгдлийг танилцуулж байна.
Альцхаймерын эсрэг хиймэл оюун ухаан хөтөлбөрөөрөө бид олон гэр бүлд нөлөөлдөг нэг өвчинд төвлөрч, эрдэмтдэд илүү үр дүнтэй эмчилгээ боловсруулахад хиймэл оюун ухаан тусална гэж үзэж байна. Эрүүл мэндийн нээлттэй өгөгдөл хөтөлбөрөөрөө бид судлаачдад өргөнөөр нээлттэй, өндөр чанартай шинжлэх ухааны өгөгдлийн санг бүрдүүлэх, хадгалах ажлыг санхүүжүүлж, олон өвчний судалгаа болон амьдралын шинжлэх ухааны салбарын ахицыг дэмжинэ.
Шинжлэх ухааны өгөгдөл гэдэг нь бидний эргэн тойрны ертөнцийг ажигласан баримт бөгөөд судалгаа, нээлтийн үндсэн орц юм. Математикийн зарим салбар шиг шинэ өгөгдөл цуглуулахгүйгээр нээлтийн үнэн зөвийг баталж болдог чиглэлд хиймэл оюун ухааны системүүд сүүлийн үед шинэ мэдлэг бүтээхэд хувь нэмэр оруулж эхэлсэн. Харин биологийн салбарт хиймэл оюун ухааны системүүд биологийн мэдээллийг өргөн хүрээнд шинжилж, бүрэн бус нотолгооноос ч далд бүтцийг илрүүлэх чадвартай болж байгаа бөгөөд заримдаа үүнийг гайхалтай үр ашигтай гүйцэтгэж байна.
Гэхдээ өвчнөөс сэргийлэх, эмчлэх чиглэлийн цаашдын олон нээлт шинэ загваруудын оюун ухааныг ертөнцийн талаарх илүү олон ажиглалттай, өөрөөр хэлбэл илүү их өгөгдөлтэй хослуулснаар бий болно гэж бид үзэж байна.
Нийгэмд асар их үнэ цэнтэй зарим өгөгдлийн санг санхүүжүүлэх хангалттай сонирхол эсвэл чадавх аль ч байгууллагад дангаараа байдаггүй тул тэдгээрийг хэзээ ч бүрдүүлэхгүй, хуваалцахгүй өнгөрч болзошгүй. Тиймээс эрүүл мэндийн нээлттэй өгөгдлийг дэмжих нь OpenAI Foundation-ы зорилготой нягт нийцнэ.
Бидний эхний тэтгэлгүүд
Эхний ээлжид бид молекул, эпидемиологи, зохицуулалтын мэдлэг зэрэг өгөгдлийн олон түвшнийг хамарсан ашгийн бус байгууллага, их сургуулиудад нийт 125 сая ам.доллароос дээш тэтгэлэг олгож эхэлж байна.
Бидний дэмжиж буй төслүүдээс цөөн хэдэн жишээ дурдъя:
OpenADMET нь жижиг молекулууд бие махбодод хэрхэн шимэгдэж, тархахыг таамаглахад хиймэл оюун ухааны загваруудыг сургаж болох эсэхийг шалгах нээлттэй өгөгдлийн сан, жишиг үзүүлэлт, оролцогчдын мэдээллийг нууцалсан уралдаан зохион байгуулна. Ингэснээр эмийн хөгжүүлэлтийг илүү урьдчилан таамаглах боломжтой болгож, шинэ эм бүтэлгүйтэх хувийг бууруулна.
Эмийн нэр дэвшигчдийн 90% нь эмнэлзүйн туршилтад бүтэлгүйтдэг. Үүний шалтгаан нь ихэвчлэн тухайн бодис бие махбодод хэрхэн шимэгдэж, тархахыг буюу “ADMET” шинж чанарыг нь таамаглахад хэцүү байдагтай холбоотой. Өөр өөр загварын таамаглалын үнэн зөвийг батлах өндөр чанартай өгөгдөлтэй хослуулбал ийм шийдэгдээгүй таамаглах сорилтууд хиймэл оюун ухаанд тохиромжтой байж болно. Жишээлбэл, AlphaFold2 нь Уургийн өгөгдлийн банкны мэдээллийг ашиглан уургийн бүтцийг таамаглах аргыг өөрчилсөн бөгөөд энэ нь CASP-ийн зохион байгуулсан загварчлалын бусад аргатай өрсөлдөх уралдааны хүрээнд болсон. Өдгөө уургийн бүтцийн таамаглалыг эм нээх олон хөтөлбөрт ашиглаж байгаа бөгөөд цаашдаа өвчтөнүүдэд үр өгөөжөө өгөх төлөвтэй.
Эмийн нэр дэвшигчдийн ADMET шинж чанарыг илүү сайн таамаглахын тулд OpenADMET-ийн баг шинэ таамаглах загваруудыг баталгаажуулах өндөр чанартай өгөгдлийн сан бүрдүүлж, дэлхийн судлаачид оролцох боломжтой нээлттэй сорилтууд зохион байгуулна.
ADMET таамаглах сорилтын оролцогчдод зориулан саяхан зохион байгуулсан OpenADMET арга хэмжээний илтгэл. Зургийг: Наоми Хэндли.
“Эм нээх салбарт тодорхой нэг өвчнийг анагаахыг зорьдог аль ч компани, эрдэм шинжилгээний лаборатори дангаараа шийдвэрлэж чадахгүй нийтлэг асуудлууд олон бий” гэж OpenADMET-ийн Удирдах зөвлөлийн гишүүн, UCSF-ийн Биоинженерчлэл, эмчилгээний шинжлэх ухааны тэнхимийн профессор, эрхлэгч, доктор Жеймс Фрейзер хэлэв. “OpenADMET-ийг эдгээр асуудлыг нээлттэй, машин сургалтад бэлэн байдлаар шийдвэрлэхийн тулд байгуулсан. Хиймэл оюун ухааны тусламжтай шинэ эмчилгээний хөгжүүлэлтийг эрс хурдасгах суурь давхаргыг бий болгох боломж олдсонд бид баяртай байна.”
CTD Commons нь бүтэлгүйтсэн эм хөгжүүлэх хөтөлбөрүүдийн зохицуулалтын мэдлэгийг хадгалж, нийтэлнэ. Ингэснээр ирээдүйн багууд ихэвчлэн хаалттай үлддэг өмнөх туршлагаас суралцаж, өвчтөнүүдэд үр дүнтэй эмчилгээг илүү хурдан нээхэд тусална.
CTD буюу Техникийн нийтлэг баримт бичиг нь туршилтын эмийн бүхий л замналыг нэгтгэсэн баримт бичиг бөгөөд амьтанд хийсэн хоруу чанарын судалгаа, үйлдвэрлэлийн дэлгэрэнгүй мэдээлэл, магадгүй хамгийн хэрэгтэй нь FDA-тай харилцсан захидал хүртэл багтдаг. Гэвч энэ ажлын өчүүхэн хэсэг л хэвлэгдсэн эрдэм шинжилгээний өгүүлэлд тусдаг.
CTD Commons нь бүтэлгүйтсэн эсвэл зогсоосон эмийн хөтөлбөрүүдийн CTD-г олж авах боломжийг судалж, хүн бүр судалгаа, шинжилгээнд ашиглахуйц нээлттэй болгоно.
“FDA-д хүргүүлсэн материал бүрийн цаана судлаачид, хянагчид, судалгаанд оролцогчдын шаргуу хөдөлмөр, золиос бий. Эдгээр ажил бүтэлгүйтсэн ч бий болгосон үнэ цэнтэй мэдээлэл нь үрэгдэж болохгүй” гэж CTD Commons-ийн тэргүүлэх зохион байгуулагч, 1Day Sooner-ийн ерөнхийлөгч Жош Моррисон хэлэв. “CTD Commons нь давхардал, зардлыг бууруулж, эмнэлзүйн судалгааны үр нөлөөг дээд хэмжээнд хүргэнэ.”
UNC нь Генератив дархлаа эмчилгээний санаачилгыг байгуулж, олон төрлийн хэлбэртэй нээлттэй өгөгдөл бүрдүүлнэ. Ингэснээр хорт хавдартай өвчтөн оношлогдсон даруйдаа өөрт нь тохирсон хорт хавдрын вакциныг шуурхай авах ирээдүйг ойртуулна.
Өнөөгийн “неоантиген” хорт хавдрын вакцин нь өвчтөн бүрд тооцооллын аргаар тусгайлан зохиодог цөөн эмчилгээний нэг юм. Үүний тулд хавдрын эсийн дарааллыг тогтоож, гадаргууд нь ямар хавдрын өвөрмөц бай илэрч байгааг таамагладаг. Гэвч эсийн гадаргуу дээрх байг шууд хэмжих, мөн өвчтөний дархлааны тогтолцоо эдгээр уураг тус бүрд хэр хүчтэй хариу үзүүлдгийг шалгах нь хэцүү, өндөр өртөгтэй тул дараалал тогтоох нь бодит байдлыг шууд бус үзүүлэлтээр төлөөлж буй хэрэг юм.
UNC нь олон зуун хавдар, хэд хэдэн төрлийн хорт хавдрын хувьд эдгээр дутуу холбоосыг бий болгож, энэ салбарын анхны сургалт, үнэлгээний өгөгдлийн сангуудын нэгийг бүрдүүлнэ. Хувийн мэдээллийг арилгасан нээлттэй өгөгдөлд дэлхийн судлаачид тулгуурлан ажиллах боломжтой болно.
“Хувь хүнд тохируулсан хорт хавдрын вакцин эмнэлзүйн үр дүнгийн шинж тэмдгийг эцэст нь үзүүлж эхэлсэн ч эмчилгээ хөгжүүлэх уламжлалт загвараар нөхөхөд хэдэн арван жил шаардагдаж мэдэх цоорхой байсаар байна. Өндөр чанартай өгөгдөл эдгээр цоорхойг илүү хурдан нөхөхөд тусална” гэж UNC-ийн Анагаах ухааны сургуулийн генетикийн туслах профессор, доктор Алекс Рубинстейн хэлэв. “Бид энэ хугацааг богиносгож, өргөн хүрээнд үр дүнтэй, хувь хүнд тохируулсан дархлаа эмчилгээг бодит болгоход туслахдаа баяртай байна.”
Хойд Каролинагийн Их Сургуулийн лабораторийн гишүүд хувь хүнд тохируулсан хорт хавдрын вакцин дээр ажиллаж байна. Зургийг: UNC.
Бидний эхний стратеги
Энэ хэсэг OpenAI Foundation-ы ирээдүйн тэтгэлгийн боломжийг сонирхож буй судлаачдад онцгой ач холбогдолтой гэж бид үзэж байна.
Цуглуулбал үнэ цэнтэй шинжлэх ухааны өгөгдлийн хэмжээ аль нэг санхүүжүүлэгчийн дэмжиж чадахаас хавьгүй их. Тиймээс OpenAI Foundation-ы дэмжлэг ямар төрлийн өгөгдөлд хамгийн үр өгөөжтэй гэж үзэж байгаагаа судалгааны нийгэмлэгтэй дэлгэрэнгүй хуваалцахыг хүссэн юм.
Бид эхний ээлжид уялдаа холбоотой өгөгдөл, ховор өгөгдөл, шууд өгөгдөлд төвлөрөхөөр таамаглаж байна. Бидний санхүүжүүлэх өгөгдлийн сан ихэвчлэн доор дэлгэрүүлсэн эдгээр шинжийн нэг эсвэл хоёрыг агуулна. Харин ховор тохиолдолд гурвууланг нь агуулж болно.
Бүх өгөгдлийн санг судлаачдад өргөнөөр хүртээмжтэй болгож, өвчтөний өгөгдөлтэй холбоотой тохиолдолд нууцлалыг хамгаалах нь улам чухал болно гэж бид үзэж байна. Ингэснээр судлаачид бие биеийнхээ ажилд тулгуурлаж, шинжлэх ухааны ахиц санаанд оромгүй газраас гарах боломж бүрдэнэ.
Уялдаа холбоотой өгөгдөл: Биологийн үйл явцыг олон үе шатаар мөрдөх нь
Биологийн үйл явц өөр өөр түвшинд өрнөдөг ч амьдралын шинжлэх ухааны ихэнх өгөгдлийн сан бодит байдлын зөвхөн нэг хэсгийг л тусгадаг. Эсийн атлас мянга мянган эс дэх молекулыг хэмждэг бол нэг молекулын дүрслэл зөвхөн нэг эсийг дагадаг. Аль аль өнцөг нь үнэ цэнтэй боловч ийм өгөгдлийн санг ихэвчлэн тус тусад нь бүрдүүлдэг тул шинжлэх ухааны үр дүнгүүд хоорондоо хэрхэн уялдахыг тогтооход олон жилийн нэмэлт ажил шаардагдаж болно. Бид судалгааны багуудыг эдгээр түвшин хооронд зорилготойгоор шилжин ажиллаж, өөр өөр давхарга нь бие биеэ бататгасан баялаг, уялдаа холбоотой өгөгдлийн сан бүрдүүлэхэд нь дэмжихийг хүсэж байна.
Жишээлбэл, UCSF-д олгох манай тэтгэлгээр OpenADMET-ийн баг хэдэн арван мянган нэгдлийн молекулын гол шинж чанар, харилцан үйлчлэлийг хэмжих боломжтой болно. Дараа нь баг энэхүү өргөн хүрээний шинжилгээг эмийн тээвэрлэлтийн хоёр дүр зурагтай холбоно: сонгосон молекул холбогдсон тээвэрлэгч уургийн туршилтаар тогтоосон бүтэц болон эдгээр уураг молекулуудтай үйл ажиллагааны хувьд хэрхэн харилцан үйлчилдгийг хэмжсэн сорил. Эцэст нь тэд эдгээр нэгдлийн заримыг хүний цус-тархины хоригийн загварт туршиж, үр дүнг амьд амьтанд хийсэн хэмжилттэй харьцуулна.
Өгөгдөл цуглуулах энэ арга нь эм бие махбодоор хэрхэн тархахыг юу тодорхойлдгийг ер бусын бүрэн дүүрэн харуулна. Ингэснээр хиймэл оюун ухааны загварууд хүмүүсийн хувьд үнэхээр чухал түвшинд илүү сайн таамаглах боломжтой болно.
Ховор өгөгдөл: Дахин бий болгох боломжгүйг хадгалах нь
Ирээдүйн хиймэл оюун ухаан хэчнээн чадвартай болсон ч цаг хугацааны тодорхой, давтагдашгүй мөчид болсон биологийн үйл явдлыг буцаж очоод ажиглаж чадахгүй. Жишээлбэл, амин чухал статистикийн найдвартай тогтолцоогүй улс орнуудын нас баралт, өвчлөлийн шалтгаан эсвэл аль хэдийн өнгөрсөн тодорхой мөчид өвчтөнөөс авсан биологийн сорьцын агуулгыг дахин ажиглах боломжгүй. Биологид эргэж буцах аргагүй ийм боломж олон бөгөөд ирээдүйн загвар бүтээгчид өнөөгийн судлаачдын төсөөлөөгүй хэрэглээг эдгээр нотолгоонд олж магадгүй. Тиймээс боломж алга болохоос өмнө үнэ цэнтэй өгөгдөл цуглуулах, хадгалах, эсвэл дахин хэзээ ч бүрдүүлэх боломжгүй хаалттай өгөгдлийн санг нууцлал, хувь хүний зөвшөөрлийг хүндэтгэн өргөнөөр нээлттэй болгох саналуудад бид онцгой анхаарна.
Жишээлбэл, CTD Commons-д олгох тэтгэлгээр компаниуд үйл ажиллагаагаа зогсоож, бүртгэлүүд устахаас өмнө бүтэлгүйтсэн эм хөгжүүлэх хөтөлбөрийн баримтуудыг хадгалж болох эсэхийг судална. Ойрын хугацаанд эдгээр баримт бичиг эм хөгжүүлэлтийн эхний шатны багуудад өндөр өртөгтэй туршилт, алдаагаар сурахын оронд ижил төстэй бүтээгдэхүүнээс зохицуулагчид юу шаардсаныг ойлгоход тусална. Урт хугацаанд эдгээр баримт бичиг нь эм яагаад бүтэлгүйтдэг эсвэл амжилтад хүрдгийн зүй тогтлыг машин сургалтын системүүд нээх эх сурвалж болж болно. Ингэснээр зохицуулалт эсвэл туршилтын стратеги сайжирч, өвчтөнүүд шинэ эмчилгээний үр шимийг эрт хүртэх боломжтой.
Шууд өгөгдөл: Хамгийн чухал биологийн болон эмнэлзүйн төлөвийг хэмжих нь
Биологийн салбар түүхийнхээ ихэнх хугацаанд хэмжихэд хялбар эсвэл хямд зүйлийг хэмжиж ирсэн. Жишээлбэл, хүний эмнэлзүйн өгөгдлийн оронд тусгаар эсийн өгөгдлийг, уургийн оронд РНХ-ийн илэрхийллийг хэмждэг. Эдгээр шууд бус үзүүлэлт асар их ач тустай байсан ч биологийг ойлгох, өвчнөөс сэргийлэх, эмчлэх зорилгоос хөндийрч болдог. Ийм тохиолдолд бид хамгийн чухал зүйлийг хэмжих өгөгдлийн сан бүрдүүлэхэд шаардлагатай нөөцийг судлаачдад олгохыг хүсэж байна. Мөн “биологийн бодит үнэн”-ийг хэмжихэд шаардлагатай багаж хэрэгсэл хараахан бий болоогүй эсвэл өргөн хүрээнд ашиглахад хэт өндөр өртөгтэй байж болно. Энэ хөтөлбөрөөр бид шинэ өгөгдөл болон шинэ хэрэгсэл гэсэн хоёр төрлийн санаачилгыг дэмжихийг зорьж байна.
Жишээлбэл, Генератив дархлаа эмчилгээний санаачилгыг байгуулахаар UNC-д олгох тэтгэлэг нь UNC Lineberger болон UNC Эрүүл мэндийн багт хорт хавдрын дараагийн үеийн вакциныг сайжруулахад шаардлагатай, хүний бодит өгөгдөлд тулгуурласан мэдээлэл бүрдүүлэх боломж олгоно. Энэ нь хавдрын дарааллыг “зөвхөн” тогтоохын оронд хавдрын эсийн гадаргуугийн уураг болон өвчтөний T эсийн хариу урвалыг шууд хэмжинэ гэсэн үг. Энэ өгөгдлийг бүрдүүлэхэд өндөр өртөгтэй. Энэ удаа иж бүрнээр цуглуулж, үр дүнг нээлттэй болгосноор хорт хавдрын вакцины ирээдүйн бүх ажил үр шимийг нь хүртэнэ гэж найдаж байна. Ялангуяа энэ төсөл амжилттай болбол ирээдүйн вакцины нэр дэвшигчид илүү баттай байнуудтайгаар хүнд хийх туршилтаа эхлүүлэх боломжтой болно. Ингэснээр үр дүнтэй байх магадлал нь нэмэгдэж, бүтэлгүйтсэн үед ч илүү ихийг мэдэж авах боломжтой болно.
Өгөгдлийг судлаачдад хүртээмжтэй байлгах нь
Эцэст нь бид бүх тэтгэлгийнхээ үр дүнд бий болох өгөгдлийн санг дэлхийн судлаачдад аль болох хүртээмжтэй байлгахыг зорьж байна.
Шинжлэх ухааны түүхийн ихэнх хугацаанд таамаглалыг турших нь нээлт хийхэд тулгардаг гол саад байв. Асуудлыг шийдэхэд дайчлах “оюун ухаан” хязгаартай буюу тодорхой тооны магистрант, докторант, мэргэжлийн эрдэмтэн тухайн асуудлын хүрээнд өгөгдөл цуглуулж, шинжилдэг байлаа. Код бичих, өгөгдөл шинжлэх хиймэл оюун ухааны тасралтгүй ахиц энэ ойлголтыг эвдэж байна. Өгөгдлийн шинжилгээг асар өргөн хүрээнд хийх боломжтой болж, өгөгдөл үүсгэх үед урьдчилан төсөөлөхөд бэрх хамтын ажиллагаанаас шинэ ойлголт төрж магадгүй.
Бидний эрхэм зорилго бол Ерөнхий хиймэл оюун ухаан бүх хүн төрөлхтөнд үр өгөөжөө өгөхийг баталгаажуулах явдал юм. Бидний дэмжлэгээр бий болсон шинжлэх ухааны өгөгдлийг өргөнөөр нээлттэй болгохын зэрэгцээ хүний өгөгдөл ашигласан бүх тохиолдолд хувь хүний нууцлал, зөвшөөрлийг хамгаалах ёстой. Гэхдээ хүртээмж гэдэг нь зөвхөн түүхий өгөгдлийг нийтлэхээс илүү өргөн ойлголт юм. Бид тэтгэлэг хүртэгчдийг шинжилгээгээ урьдчилсан хэвлэлээр нийтлэх, өгөгдлийг зөвхөн эцэст нь бус тогтмол хуваалцахыг дэмждэг. Мөн өгөгдөл нь “уялдаа холбоотой” биш бол биологийн ач холбогдолтой асуудалд хэр хэрэгтэйг үнэлэхийн тулд өгөгдөл ашиглагчидтай хамтран ажиллахыг зөвлөдөг.
Давталтаар суралцах нь
Энэ нийтлэлд Эрүүл мэндийн нээлттэй өгөгдөл хөтөлбөрийн эхний чиг баримжааг танилцууллаа. Шинжлэх ухаан, хиймэл оюун ухаан хөгжихийн хэрээр болон судалгааны нийгэмлэгийн бусад гишүүнтэй ярилцсаны үндсэн дээр бид үзэл бодлоо идэвхтэй шинэчилж байна.
Эрүүл мэндийн нээлттэй өгөгдөл хөтөлбөрийн талаар санал байвал [email protected] хаягаар бидэнтэй холбогдоорой. Манай хөтөлбөр, санхүүжилтийн талаарх шинэ мэдээллийг авахын тулд мэдээллийн товхимолд энд бүртгүүлж болно.
Энэ нийтлэлд хэлэлцсэн асуудлуудыг бүтэн цагаар судлах сонирхолтой бол Амьдралын шинжлэх ухаан ба өвчнийг анагаах багт зарласан дөрвөн нээлттэй ажлын байртай танилцана уу.