आरोग्यासाठी सार्वजनिक डेटा

एप्रिलमध्ये, आम्ही अल्झायमरसाठी AI⁠ हा जीवनविज्ञान आणि रोगोपचार क्षेत्रातील OpenAI Foundation चा पहिला कार्यक्रम सुरू केला. आज आम्ही आमचा दुसरा विज्ञान कार्यक्रम सादर करत आहोत: आरोग्यासाठी सार्वजनिक डेटा.

अनेक कुटुंबांवर परिणाम करणाऱ्या एका रोगावर लक्ष केंद्रित करणे हा अल्झायमरसाठी AI कार्यक्रमाचा उद्देश आहे. शास्त्रज्ञांना अधिक चांगले उपचार विकसित करण्यात AI मदत करू शकते, असा आमचा विश्वास आहे. संशोधकांना व्यापकपणे उपलब्ध करून दिलेले उच्च दर्जाचे वैज्ञानिक डेटासेट तयार करण्यासाठी आणि जतन करण्यासाठी निधी देऊन अनेक रोगांवरील जीवनविज्ञान संशोधनाला गती देणे, हा आरोग्यासाठी सार्वजनिक डेटा कार्यक्रमाचा उद्देश आहे.

वैज्ञानिक डेटा म्हणजे आपल्या सभोवतालच्या जगाविषयीची निरीक्षणे आणि तोच संशोधन व शोधांचा मूलभूत आधार असतो. गणिताच्या काही शाखांसारख्या, नवीन डेटा गोळा न करताही जिथे महत्त्वपूर्ण शोध पडताळता येतात अशा क्षेत्रांत AI सिस्टम्सने अलीकडे नवीन⁠ ज्ञानाच्या⁠ निर्मितीत योगदान देण्यास⁠ सुरुवात केली आहे. दरम्यान, जीवशास्त्रात AI सिस्टम्स मोठ्या प्रमाणावरील जैविक माहितीचे विश्लेषण करण्यात आणि अपुऱ्या पुराव्यातूनही लपलेली रचना शोधण्यात अधिकाधिक सक्षम होत आहेत. काही वेळा त्या हे आश्चर्यकारक कार्यक्षमतेने करतात.

मात्र, रोगप्रतिबंध आणि उपचारांतील उर्वरित अनेक महत्त्वपूर्ण शोध नव्या मॉडेल्सची बुद्धिमत्ता आणि जगाविषयीची अधिक निरीक्षणे, म्हणजेच अधिक डेटा, यांची सांगड घातल्याने लागतील, अशी आमची अपेक्षा आहे.

सार्वजनिक हितासाठी अत्यंत मौल्यवान असलेले काही डेटासेट कदाचित कधीच तयार किंवा शेअर केले जाणार नाहीत, कारण त्यांना निधी देण्यासाठी कोणत्याही एका संस्थेकडे पुरेसे प्रोत्साहन किंवा क्षमता नसते. त्यामुळे आरोग्यासाठी सार्वजनिक डेटाला पाठबळ देणे हे OpenAI Foundation च्या कार्याशी उत्तम प्रकारे सुसंगत आहे.

आमची प्रारंभिक अनुदाने

सुरुवातीच्या टप्प्यात आम्ही स्वयंसेवी संस्था आणि विद्यापीठांना 12.5 कोटी डॉलरपेक्षा अधिक अनुदान देत आहोत. यात रेणूंपासून रोगपरिस्थितीविज्ञान आणि नियामक ज्ञानापर्यंत डेटाच्या अनेक स्तरांचा समावेश आहे.

आम्ही पाठबळ देत असलेल्या प्रकल्पांची काही उदाहरणे पुढीलप्रमाणे आहेत:

1. OpenADMET⁠ खुले डेटासेट, मापदंड आणि गोपनीय स्पर्धा तयार करेल. लहान रेणू शरीरात कसे शोषले आणि वितरित केले जातात, याचा अंदाज लावण्यासाठी AI मॉडेल्सना प्रशिक्षण देता येते का हे त्यातून तपासले जाईल. यामुळे औषधविकास अधिक अंदाजक्षम होईल आणि नवीन औषधांचे अपयश कमी होईल.

   औषधांच्या 90% संभाव्य उमेदवारांना वैद्यकीय चाचण्यांत अपयश येते⁠. त्यांचे शरीरात कसे शोषण होईल आणि ते कसे पसरतील, म्हणजेच त्यांचे “ADMET” गुणधर्म⁠, याचा अंदाज लावणे कठीण असल्यामुळे अनेकदा असे घडते. वेगवेगळ्या मॉडेल्सच्या अंदाजांची अचूकता तपासण्यासाठी उच्च दर्जाचा डेटा उपलब्ध असल्यास, अशा अनुत्तरित अंदाजविषयक समस्या सोडवण्यासाठी AI उपयुक्त ठरू शकते. उदाहरणार्थ, Protein Data Bank⁠ मधील डेटा वापरून AlphaFold2 ने प्रथिनांच्या रचनेच्या अंदाजात आमूलाग्र बदल घडवला. CASP⁠ ने आयोजित केलेल्या इतर मॉडेलिंग पद्धतींविरुद्धच्या स्पर्धेत हे घडले. प्रथिनांच्या रचनेचा अंदाज आता औषधशोधाच्या अनेक कार्यक्रमांत समाविष्ट झाला असून, त्याचा पुढे रुग्णांना लाभ होण्याची शक्यता आहे.

   औषधांच्या संभाव्य उमेदवारांच्या ADMET गुणधर्मांचा अधिक अचूक अंदाज घेण्यासाठी OpenADMET ची टीम नवीन अंदाजाधारित मॉडेल्सना आधार देणारे उच्च दर्जाचे डेटासेट विकसित करेल आणि जगभरातील संशोधकांना सहभागी होता येतील अशी खुली आव्हाने आयोजित करेल.

   

   “औषधशोधात अशा अनेक सार्वत्रिक समस्या आहेत, ज्या विशिष्ट रोगावर उपचार शोधू इच्छिणारी कोणतीही एक कंपनी किंवा शैक्षणिक प्रयोगशाळा स्वतंत्रपणे सोडवू शकत नाही,” असे OpenADMET च्या प्रशासकीय मंडळाचे सदस्य आणि UCSF मधील जैवअभियांत्रिकी व उपचारशास्त्र विभागाचे प्राध्यापक आणि अध्यक्ष डॉ. जेम्स फ्रेझर म्हणाले. “या समस्या खुल्या आणि यंत्र-अध्ययनासाठी सज्ज पद्धतीने हाताळण्यासाठी OpenADMET उभारण्यात आले आहे. AI ला नवीन उपचारांच्या विकासाचा वेग मोठ्या प्रमाणात वाढवता येईल असा मूलभूत स्तर उभारण्याची संधी मिळाल्याचा आम्हाला आनंद आहे.”

2. CTD Commons⁠ अपयशी ठरलेल्या औषधविकास कार्यक्रमांमधील नियामक ज्ञान जतन आणि प्रकाशित करेल. त्यामुळे भविष्यातील टीम्सना सहसा बंदिस्त राहणाऱ्या पूर्वानुभवातून शिकता येईल आणि रुग्णांसाठी प्रभावी उपचार अधिक लवकर शोधण्यास मदत होईल.

   CTD म्हणजे कॉमन तांत्रिक दस्तऐवज. त्यात प्रायोगिक औषधाचा संपूर्ण प्रवास नोंदवलेला असतो, ज्यामध्ये प्राण्यांवरील विषशास्त्रीय अभ्यास, उत्पादन तपशील आणि कदाचित सर्वाधिक उपयुक्त ठरणारा FDA सोबतचा पत्रव्यवहार यांचा समावेश असतो. तरीही, या कामाचा केवळ छोटासा भाग प्रकाशित संशोधनपत्रांत दिसतो.

   CTD Commons अपयशी ठरलेल्या किंवा थांबवलेल्या औषध कार्यक्रमांचे CTD मिळवण्याची शक्यता तपासेल आणि ते सर्वांना वापरता यावेत म्हणून संशोधन व विश्लेषणासाठी खुलेपणाने उपलब्ध करेल.

   “FDA कडे केलेला प्रत्येक अर्ज संशोधक, समीक्षक आणि अभ्यासातील सहभागींच्या कठोर परिश्रमांचे व त्यागाचे प्रतीक असतो. हे प्रयत्न अपयशी ठरले तरी त्यातून निर्माण झालेली मौल्यवान माहिती वाया जाऊ नये,” असे CTD Commons चे प्रमुख आयोजक आणि 1Day Sooner चे अध्यक्ष जोश मॉरिसन म्हणाले. “CTD Commons कामाची पुनरावृत्ती आणि खर्च कमी करेल तसेच वैद्यकीय संशोधनाचा प्रभाव कमाल पातळीवर नेईल.”

3. UNC⁠ जनरेटिव्ह इम्युनोथेरपी उपक्रम स्थापन करेल आणि सार्वजनिक, बहुपद्धती डेटा तयार करेल. त्यामुळे कर्करोगाचे निदान झाल्यावर रुग्णांना तत्काळ वैयक्तिकृत कर्करोग लस मिळू शकेल अशा भविष्याकडे वाटचाल करण्यास मदत होईल.

   आजच्या “निओअँटिजेन” कर्करोग लसी या प्रत्येक रुग्णासाठी संगणकीय पद्धतीने तयार केलेल्या मोजक्या औषधांपैकी आहेत. अर्बुदाच्या पेशीचे अनुक्रमण करून तिच्या पृष्ठभागावर अर्बुदाशी निगडित कोणती लक्ष्ये दिसतात, याचा अंदाज घेतला जातो. परंतु हे अनुक्रमणही वास्तवाचे अप्रत्यक्ष निदर्शक आहे, कारण पेशीच्या पृष्ठभागावरील लक्ष्ये थेट मोजणे कठीण आणि खर्चिक असते. शिवाय, रुग्णाची रोगप्रतिकारक सिस्टम प्रत्येक प्रथिनाला किती तीव्र प्रतिसाद देते हे तपासणेही अवघड असते.

   UNC शेकडो अर्बुदे आणि कर्करोगाच्या अनेक प्रकारांतील हे हरवलेले दुवे शोधेल. त्यातून या क्षेत्रातील सुरुवातीच्या प्रशिक्षण व मूल्यमापन डेटासेटपैकी एक तयार होईल आणि जगभरातील संशोधकांसाठी ओळख काढून टाकलेला सार्वजनिक डेटा उपलब्ध होईल.

   “वैयक्तिकृत कर्करोग लसी आता वैद्यकीय परिणामकारकतेची चिन्हे दाखवू लागल्या आहेत. मात्र, उपचारविकासाच्या पारंपरिक मॉडेलनुसार भरून काढण्यासाठी अनेक दशके लागू शकतील अशा उणिवा अजूनही आहेत. उच्च दर्जाचा डेटा या उणिवा अधिक वेगाने भरून काढण्यास मदत करू शकतो,” असे UNC स्कूल ऑफ मेडिसिनमधील आनुवंशिकीचे सहायक प्राध्यापक डॉ. अ‍ॅलेक्स रुबिन्स्टाइन म्हणाले. “हा कालावधी कमी करून व्यापकपणे परिणामकारक वैयक्तिकृत रोगप्रतिकारोपचार प्रत्यक्षात आणण्यास मदत करण्यासाठी आम्ही उत्सुक आहोत.”

   

आमची प्रारंभिक रणनीती

OpenAI Foundation कडून भविष्यात मिळणाऱ्या अनुदानाच्या संधींमध्ये रस असलेल्या संशोधकांसाठी हा विभाग विशेष उपयुक्त ठरेल, अशी आमची अपेक्षा आहे.

ज्याला गोळा करणे मौल्यवान ठरेल असा वैज्ञानिक डेटा कोणत्याही एका निधीपुरवठादाराच्या क्षमतेपेक्षा कितीतरी अधिक आहे. म्हणून OpenAI Foundation चे पाठबळ कोणत्या प्रकारच्या डेटासाठी सर्वाधिक उपयुक्त ठरू शकते, याबद्दल आम्हाला संशोधन समुदायासोबत येथे अधिक माहिती शेअर करायची आहे.

सुरुवातीला आम्ही तीन प्रकारच्या डेटावर लक्ष केंद्रित करत आहोत: जोडलेला डेटा, दुर्मीळ डेटा आणि थेट डेटा. आम्ही निधी देत असलेल्या डेटासेटमध्ये साधारणतः यांपैकी एक किंवा दोन गुणधर्म असतील. त्यांचे खाली अधिक तपशीलवार वर्णन केले आहे. क्वचित प्रसंगी एखाद्या डेटासेटमध्ये तिन्ही गुणधर्म असतील.

सर्व डेटासेटच्या बाबतीत डेटा व्यापकपणे उपलब्ध करणे अधिकाधिक महत्त्वाचे ठरेल, असे आम्हाला वाटते. रुग्णांचा डेटा असेल तेव्हा गोपनीयता सुनिश्चित केली पाहिजे. त्यामुळे संशोधकांना एकमेकांच्या कामावर पुढे काम करता येईल आणि अनपेक्षित ठिकाणांहून वैज्ञानिक प्रगती घडू शकेल.

1. जोडलेला डेटा: जीवशास्त्रातील अनेक टप्प्यांचा मागोवा

   जीवशास्त्रीय प्रक्रिया विविध स्तरांवर घडतात, पण जीवनविज्ञानातील बहुतांश डेटासेट वास्तवाचा केवळ एक भाग नोंदवतात. पेशींचा नकाशा हजारो पेशींमधील रेणू मोजू शकतो, तर एकल-रेणू प्रतिमांकनात केवळ एका पेशीचा मागोवा घेतला जातो. दोन्ही दृष्टिकोन मौल्यवान आहेत. पण असे डेटासेट सहसा स्वतंत्रपणे तयार होत असल्यामुळे वैज्ञानिक निष्कर्षांचा परस्पर संबंध ठरवण्यासाठी पुढील अनेक वर्षांचे काम लागू शकते. संशोधन टीम्सना या विविध स्तरांदरम्यान नियोजनपूर्वक काम करता यावे आणि विविध स्तर परस्परांना पूरक ठरतील असे समृद्ध, जोडलेले डेटासेट तयार करता यावेत, यासाठी आम्ही पाठबळ देऊ इच्छितो.

   उदाहरणार्थ, UCSF ला दिलेल्या आमच्या अनुदानामुळे OpenADMET टीमला हजारो संयुगांचे महत्त्वाचे रेणवीय गुणधर्म आणि परस्परसंवाद मोजता येतील. त्यानंतर टीम या व्यापक रूपरेषेला औषध वाहतुकीच्या दोन दृष्टिकोनांशी जोडेल: निवडक रेणू जोडलेल्या वाहक प्रथिनांच्या प्रयोगांतून निर्धारित केलेल्या रचना आणि ही प्रथिने रेणूंशी कार्यात्मकरीत्या कसा परस्परसंवाद साधतात हे मोजणाऱ्या चाचण्या. शेवटी, ते यांपैकी काही संयुगांची मानवी रक्त-मस्तिष्क अवरोधाच्या मॉडेल्समध्ये चाचणी करतील आणि त्या निष्कर्षांची सजीव प्राण्यांवरील मोजमापांशी तुलना करतील.

   डेटा संकलनाच्या या पद्धतीमुळे औषधाच्या शरीरातील हालचाली कशामुळे ठरतात याचे विलक्षण सर्वसमावेशक चित्र तयार होईल. त्यामुळे मानवांसाठी महत्त्वाच्या पातळीवर AI मॉडेल्सना अधिक अचूक अंदाज लावता येतील.

2. दुर्मीळ डेटा: पुन्हा निर्माण न करता येणारी माहिती जतन करणे

   भविष्यातील AI कितीही सक्षम असले तरी ते भूतकाळात जाऊन विशिष्ट आणि अद्वितीय क्षणी घडलेल्या जैविक घटनांचे निरीक्षण करू शकत नाही. उदाहरणार्थ, विश्वसनीय जीवनावश्यक आकडेवारी नसलेल्या देशांतील मृत्यू व अनारोग्याची कारणे किंवा आता मागे पडलेल्या विशिष्ट क्षणी रुग्णांकडून घेतलेल्या जैविक नमुन्यांतील घटक. जीवशास्त्रात परत न फिरता येणारे असे अनेक टप्पे आहेत आणि आज संशोधकांना कल्पनाही नसलेल्या प्रकारे भविष्यातील मॉडेलकार हा पुरावा वापरू शकतात. म्हणून संधी नाहीशी होण्यापूर्वी मौल्यवान डेटा गोळा किंवा जतन करणाऱ्या प्रस्तावांत आम्हाला विशेष रस आहे. तसेच गोपनीयता आणि वैयक्तिक संमतीचा आदर राखून, पुन्हा कधीही तयार होणार नाहीत असे विद्यमान खाजगी डेटासेट व्यापकपणे उपलब्ध करणारे प्रस्तावही आम्हाला महत्त्वाचे वाटतात.

   उदाहरणार्थ, कंपन्या बंद होऊन नोंदी नाहीशा होण्यापूर्वी अपयशी औषधविकास कार्यक्रमांच्या नोंदी वाचवता येतील का, याचा CTD Commons ला दिलेल्या आमच्या अनुदानातून शोध घेतला जाईल. नजीकच्या काळात या दस्तऐवजांमुळे प्रारंभिक टप्प्यातील औषधविकास चमूंना महागड्या प्रयत्न-चुकांमधून शिकण्याऐवजी नियामकांनी तत्सम उत्पादनांकडून काय अपेक्षित केले आहे हे समजू शकेल. दीर्घकाळात, औषधे अपयशी किंवा यशस्वी का होतात यातील नमुने शोधण्यासाठी हे दस्तऐवज यंत्र-अध्ययन सिस्टम्ससाठी उपयुक्त ठरू शकतात. त्यामुळे नियमन किंवा चाचणीच्या रणनीती सुधारतील आणि रुग्णांना नवीन उपचारांचा लाभ लवकर मिळेल.

3. थेट डेटा: सर्वाधिक महत्त्वाच्या जैविक आणि वैद्यकीय स्थितींचे जवळून मापन

   जीवशास्त्राच्या इतिहासात बहुतांश काळ जे सहज किंवा कमी खर्चात मोजता येत होते, तेच मोजले गेले. उदाहरणार्थ, मानवी वैद्यकीय डेटाऐवजी स्वतंत्र पेशींचा डेटा किंवा प्रथिनांऐवजी RNA अभिव्यक्ती मोजणे. हे अप्रत्यक्ष निदर्शक अत्यंत उपयुक्त ठरले आहेत, पण जीवशास्त्र समजून घेणे तसेच रोगांना प्रतिबंध करणे आणि त्यांवर उपचार करणे या उद्दिष्टांपासून ते दूरही जाऊ शकतात. अशा प्रकरणांत सर्वाधिक महत्त्वाचे घटक मोजणारे डेटासेट तयार करण्यासाठी संशोधकांना आवश्यक संसाधने आम्ही देऊ इच्छितो. “जैविक सत्य” मोजण्यासाठी आवश्यक साधने अद्याप अस्तित्वात नसण्याची किंवा त्यांचा मोठ्या प्रमाणावर वापर करणे निषिद्ध ठरावे इतके महाग असण्याचीही शक्यता आहे. या कार्यक्रमातून नवीन डेटा आणि नवीन साधने अशा दोन्ही उपक्रमांना पाठबळ देण्याची आमची आशा आहे.

   उदाहरणार्थ, जनरेटिव्ह इम्युनोथेरपी उपक्रम स्थापन करण्यासाठी UNC ला दिलेल्या आमच्या अनुदानामुळे UNC Lineberger आणि UNC हेल्थच्या टीमला कर्करोगाच्या लसींची पुढील पिढी सुधारण्यासाठी आवश्यक, मानवी वास्तवावर आधारित डेटा तयार करता येईल. याचा अर्थ अर्बुदाचे “केवळ” अनुक्रमण करण्याऐवजी अर्बुदाच्या पेशींच्या पृष्ठभागावरील प्रथिने थेट मोजणे आणि रुग्णांच्या T पेशींचे प्रतिसाद मोजणे. हा डेटा तयार करणे खर्चिक आहे. या वेळी तो सर्वसमावेशकपणे तयार करून निष्कर्ष खुले केल्यास, भविष्यातील कर्करोग लसींच्या सर्व प्रयत्नांना त्याचा लाभ होईल, अशी आम्हाला आशा आहे. विशेषतः हा प्रकल्प यशस्वी झाल्यास, भविष्यातील संभाव्य लसी अधिक प्रभावी लक्ष्यांच्या संचासह मानवी मात्रेच्या टप्प्यात प्रवेश करू शकतील. त्यामुळे त्या प्रभावी ठरण्याची शक्यता वाढेल आणि त्या प्रभावी न ठरल्यास त्यातून अधिक शिकता येईल.

संशोधकांना डेटा उपलब्ध असल्याची खात्री करणे

शेवटी, आमच्या सर्व अनुदानांतून तयार होणारे डेटासेट जगभरातील संशोधकांना शक्य तितक्या सहजपणे उपलब्ध होतील, याची आम्ही खात्री करत आहोत.

वैज्ञानिक इतिहासाच्या बहुतांश काळात गृहितके तपासणे हा शोधांमधील प्रमुख अडथळा होता. समस्या सोडवण्यासाठी वापरता येणारी “बुद्धिमत्ता” मर्यादित होती. पदव्युत्तर विद्यार्थी आणि व्यावसायिक शास्त्रज्ञांची संख्या ठरावीक होती आणि ते एखाद्या समस्येसाठी डेटा तयार करून त्याचे विश्लेषण करत होते. सांकेतिक लेखन आणि डेटा विश्लेषणातील AI ची निरंतर प्रगती हे गृहीतक मोडून काढते. डेटा विश्लेषणाचा विस्तार मोठ्या प्रमाणात करणे शक्य होऊ शकते आणि डेटा तयार करताना ज्यांची कल्पना करणे कठीण होते अशा सहकार्यांतून नवीन आकलन समोर येऊ शकते.

आर्टिफिशियल जनरल इंटेलिजन्सचा संपूर्ण मानवजातीला लाभ मिळेल याची खात्री करणे हे आमचे ध्येय आहे. आमच्या पाठबळातून तयार झालेला वैज्ञानिक डेटा व्यापकपणे उपलब्ध केला पाहिजे. मानवी डेटा वापरला जात असेल तेव्हा वैयक्तिक गोपनीयता आणि संमती जपली पाहिजे. पण उपलब्धता म्हणजे केवळ कच्चा डेटा प्रसिद्ध करणे नव्हे. अनुदानधारकांनी आपली विश्लेषणे पूर्वप्रकाशित संशोधनपत्रांद्वारे प्रसिद्ध करावीत, केवळ शेवटी नव्हे तर नियमितपणे डेटा शेअर करावा आणि त्यांचा डेटा “जोडलेला” नसेल तर जैविकदृष्ट्या महत्त्वाच्या समस्यांवरील त्याची उपयुक्तता तपासण्यासाठी डेटा वापरणाऱ्यांसोबत काम करावे, असे आम्ही सुचवतो.

पुनरावृत्तीतून शिक्षण

या लेखात आरोग्यासाठी सार्वजनिक डेटा कार्यक्रमाची आमची प्रारंभिक दिशा मांडली आहे. विज्ञान आणि AI मधील प्रगती तसेच संशोधन समुदायातील इतरांशी होणाऱ्या संवादानुसार आम्ही आमचे दृष्टिकोन सक्रियपणे अपडेट करत आहोत.

आरोग्यासाठी सार्वजनिक डेटा कार्यक्रमाबद्दल तुमच्याकडे काही कल्पना असल्यास, [email protected]⁠ या पत्त्यावर आमच्याशी संपर्क साधा. आमचे कार्यक्रम आणि निधीविषयक भावी माहिती मिळवण्यासाठी तुम्ही आमच्या वृत्तपत्राचे येथे⁠ सब्सक्रिप्शन घेऊ शकता.

या लेखात चर्चिलेल्या समस्यांवर पूर्णवेळ विचार करणे तुम्हाला रंजक वाटत असेल, तर जीवनविज्ञान आणि रोगोपचार टीमसाठी सध्या चार पदांवर भरती सुरू आहे⁠.