ကျန်းမာရေးအတွက် အများပြည်သူသုံးဒေတာ

ဧပြီလတွင် ကျွန်ုပ်တို့သည်⁠ OpenAI Foundation ၏ သက်ရှိသိပ္ပံနှင့် ရောဂါကုသရေးဆိုင်ရာ ပထမဆုံးအစီအစဉ်ဖြစ်သည့် အယ်လ်ဇိုင်းမားရောဂါအတွက် AI ကို စတင်ခဲ့သည်။ ယနေ့တွင် ကျွန်ုပ်တို့၏ ဒုတိယမြောက် သိပ္ပံအစီအစဉ်ဖြစ်သော ကျန်းမာရေးအတွက် အများပြည်သူသုံးဒေတာကို မိတ်ဆက်လိုက်ပါသည်။

အယ်လ်ဇိုင်းမားရောဂါအတွက် AI အစီအစဉ်တွင် မိသားစုများစွာကို ထိခိုက်နေသည့် ရောဂါတစ်မျိုးအတွက် ပိုမိုကောင်းမွန်သော ကုသနည်းများ ဖော်ထုတ်နိုင်ရန် သိပ္ပံပညာရှင်များကို AI က ကူညီပေးနိုင်မည်ဟု ယုံကြည်ပြီး ယင်းရောဂါကို အဓိကထား ဖြေရှင်းပါသည်။ ကျန်းမာရေးအတွက် အများပြည်သူသုံးဒေတာအစီအစဉ်တွင် သုတေသီများ ကျယ်ကျယ်ပြန့်ပြန့် အသုံးပြုနိုင်မည့် အရည်အသွေးမြင့် သိပ္ပံ dataset များ ဖန်တီးခြင်းနှင့် ထိန်းသိမ်းခြင်းတို့ကို ရန်ပုံငွေပံ့ပိုးကာ ရောဂါများစွာနှင့် သက်ရှိသိပ္ပံနယ်ပယ်တစ်လျှောက် တိုးတက်မှု ဖြစ်ပေါ်စေရန် အဓိကထားပါသည်။

သိပ္ပံဒေတာဆိုသည်မှာ ကျွန်ုပ်တို့ပတ်ဝန်းကျင်ရှိ ကမ္ဘာလောကကို လေ့လာမှတ်တမ်းတင်ထားသည့် အချက်အလက်များဖြစ်ပြီး သုတေသနနှင့် ရှာဖွေတွေ့ရှိမှုတို့အတွက် အခြေခံအရင်းအမြစ် ဖြစ်သည်။ သင်္ချာပညာ၏ အချို့နယ်ပယ်များကဲ့သို့ ဒေတာအသစ်များ စုဆောင်းရန် မလိုဘဲ အရေးပါသည့် ရှာဖွေတွေ့ရှိမှုများကို အတည်ပြုနိုင်သော နယ်ပယ်များတွင် AI စနစ်များသည် မကြာသေးမီက အသိပညာ⁠ အသစ်များ⁠ ဖော်ထုတ်ရာ၌ ပါဝင်လာကြသည်⁠။ တစ်ဖက်တွင် ဇီဝဗေဒ၌ AI စနစ်များသည် ဇီဝဆိုင်ရာအချက်အလက်များကို အကြီးစားခွဲခြမ်းစိတ်ဖြာနိုင်စွမ်း ပိုမိုမြင့်မားလာပြီး မပြည့်စုံသော အထောက်အထားများမှပင် ဖုံးကွယ်နေသည့် ဖွဲ့စည်းပုံကို တစ်ခါတစ်ရံ အံ့မခန်းထိရောက်စွာ ပြန်လည်ဖော်ထုတ်နိုင်လာသည်။

သို့သော် ရောဂါကာကွယ်ရေးနှင့် ကုသရေး၌ ကျန်ရှိနေသေးသော အရေးပါသည့် ရှာဖွေတွေ့ရှိမှုများစွာသည် မော်ဒယ်အသစ်များ၏ ဉာဏ်ရည်ကို ကမ္ဘာလောကအပေါ် ပိုမိုလေ့လာမှတ်တမ်းတင်မှု—တစ်နည်းအားဖြင့် ဒေတာပိုများခြင်း—နှင့် ပေါင်းစပ်ရာမှ ထွက်ပေါ်လာမည်ဟု ကျွန်ုပ်တို့ မျှော်လင့်ပါသည်။

အများပြည်သူအတွက် အလွန်တန်ဖိုးရှိသော dataset အချို့ကို အဖွဲ့အစည်းတစ်ခုတည်းက ရန်ပုံငွေထောက်ပံ့ရန် လုံလောက်သော မက်လုံး သို့မဟုတ် စွမ်းဆောင်ရည်မရှိသောကြောင့် မည်သည့်အခါမျှ ဖန်တီးခြင်း၊ မျှဝေခြင်း မပြုနိုင်ဘဲ ဖြစ်နေနိုင်သည်။ ထို့ကြောင့် ကျန်းမာရေးအတွက် အများပြည်သူသုံးဒေတာကို ပံ့ပိုးခြင်းသည် OpenAI Foundation နှင့် အလွန်သင့်လျော်ပါသည်။

ကျွန်ုပ်တို့၏ ကနဦးထောက်ပံ့ငွေများ

မော်လီကျူးများမှ ကူးစက်ရောဂါဗေဒနှင့် စည်းမျဉ်းဆိုင်ရာ အသိပညာအထိ ဒေတာအလွှာများစွာကို လွှမ်းခြုံသည့် ကနဦးအဆင့်အဖြစ် အကျိုးအမြတ်မယူသော အဖွဲ့အစည်းများနှင့် တက္ကသိုလ်များသို့ ဒေါ်လာ ၁၂၅ သန်းကျော် ထောက်ပံ့ခြင်းဖြင့် စတင်နေပါသည်။

ကျွန်ုပ်တို့ ပံ့ပိုးနေသည့် စီမံကိန်းအချို့မှာ အောက်ပါအတိုင်းဖြစ်သည်။

1. OpenADMET⁠ သည် မော်လီကျူးငယ်များကို ခန္ဓာကိုယ်က မည်သို့စုပ်ယူပြီး ခန္ဓာကိုယ်အနှံ့ မည်သို့ပျံ့နှံ့သည်ကို ခန့်မှန်းနိုင်ရန် AI မော်ဒယ်များကို လေ့ကျင့်ပေးနိုင်ခြင်း ရှိ၊ မရှိ စမ်းသပ်မည့် အများသုံး dataset များ၊ စံနှုန်းများနှင့် အချက်အလက်ကွယ်ဝှက်ထားသည့် ပြိုင်ပွဲများကို ဖန်တီးမည်ဖြစ်သည်။ ယင်းက ဆေးဝါးဖွံ့ဖြိုးတိုးတက်မှုကို ပိုမိုခန့်မှန်းနိုင်စေပြီး ဆေးအသစ်များ မအောင်မြင်မှုနှုန်းကို လျှော့ချပေးမည်။

   အလားအလာရှိသော ဆေးဝါးများ၏ ၉၀% သည် လက်တွေ့စမ်းသပ်မှုများတွင် မအောင်မြင်ကြပါ⁠။ ယင်းမှာ ဆေးဝါးများကို ခန္ဓာကိုယ်က မည်သို့စုပ်ယူပြီး ခန္ဓာကိုယ်အတွင်း မည်သို့ရွေ့လျားမည်ကို ခန့်မှန်းရန် ခက်ခဲခြင်း၊ ဆိုလိုသည်မှာ ယင်းတို့၏ “ADMET” ဂုဏ်သတ္တိများ⁠ကို ခန့်မှန်းရန် ခက်ခဲခြင်းကြောင့် ဖြစ်လေ့ရှိသည်။ ဤကဲ့သို့ မဖြေရှင်းရသေးသော ခန့်မှန်းရေးစိန်ခေါ်မှုများကို မော်ဒယ်အမျိုးမျိုး၏ ခန့်မှန်းချက်တိကျမှုကို အတည်ပြုပေးနိုင်သည့် အရည်အသွေးမြင့်ဒေတာနှင့် ပေါင်းစပ်ပါက AI ဖြင့် ဖြေရှင်းရန် သင့်လျော်နိုင်သည်။ ဥပမာ AlphaFold2 သည် CASP⁠ က စီစဉ်သည့် အခြားမော်ဒယ်တည်ဆောက်ရေးနည်းလမ်းများနှင့် ယှဉ်ပြိုင်မှုတွင် Protein Data Bank⁠ မှ ဒေတာကို အသုံးပြု၍ ပရိုတင်းဖွဲ့စည်းပုံ ခန့်မှန်းရေးကို အကြီးအကျယ် ပြောင်းလဲပေးခဲ့သည်။ ယခုအခါ ပရိုတင်းဖွဲ့စည်းပုံ ခန့်မှန်းခြင်းကို လူနာများအတွက် အကျိုးရှိလာဖွယ်ရှိသော ဆေးဝါးရှာဖွေရေးအစီအစဉ်များစွာတွင် ထည့်သွင်းအသုံးပြုနေပြီဖြစ်သည်။

   အလားအလာရှိသော ဆေးဝါးများ၏ ADMET ဂုဏ်သတ္တိများကို ပိုမိုကောင်းမွန်စွာ ခန့်မှန်းနိုင်ရန် OpenADMET အဖွဲ့သည် ခန့်မှန်းရေးမော်ဒယ်အသစ်များ၏ တိကျမှုကို အတည်ပြုနိုင်မည့် အရည်အသွေးမြင့် dataset များ ဖန်တီးပြီး ကမ္ဘာတစ်ဝန်းရှိ သုတေသီများ ဝင်ရောက်ယှဉ်ပြိုင်နိုင်သည့် အများသုံးစိန်ခေါ်ပွဲများကို ကျင်းပမည်။

   

   "ဆေးဝါးရှာဖွေရေး နယ်ပယ်မှာဆိုရင် သီးခြားရောဂါတစ်မျိုးကို ကုသဖို့ စိတ်ဝင်စားနေတဲ့ ကုမ္ပဏီတစ်ခုတည်း၊ ဒါမှမဟုတ် တက္ကသိုလ် ဓာတ်ခွဲခန်းတစ်ခုတည်းကနေ ဖြေရှင်းလို့မရနိုင်တဲ့ အများနဲ့သက်ဆိုင်တဲ့ ပြဿနာတွေ အများကြီး ရှိနေပါတယ်"ဟု OpenADMET ၏ အုပ်ချုပ်ရေးဘုတ်အဖွဲ့ဝင်၊ UCSF ဇီဝအင်ဂျင်နီယာနှင့် ကုထုံးသိပ္ပံဌာန၏ ပါမောက္ခနှင့် ဌာနမှူးဖြစ်သူ James Fraser (PhD) က ပြောသည်။ "ဒီပြဿနာတွေကို ပွင့်လင်းမြင်သာမှုရှိပြီး စက်သင်ယူမှုအတွက် အသင့်ဖြစ်နေတဲ့ နည်းလမ်းမျိုးနဲ့ ဖြေရှင်းဖို့ OpenADMET ကို တည်ဆောက်ထားတာပါ။ ကုသနည်းအသစ်တွေ ဖွံ့ဖြိုးတိုးတက်လာအောင် AI ကိုအသုံးပြုပြီး အကြီးအကျယ် အရှိန်မြှင့်ပေးနိုင်မယ့် အခြေခံအုတ်မြစ်ကို တည်ဆောက်ခွင့်ရတဲ့အတွက် ကျွန်ုပ်တို့ အလွန်ပဲ စိတ်လှုပ်ရှားမိပါတယ်။"

2. CTD Commons⁠ သည် မအောင်မြင်ခဲ့သော ဆေးဝါးဖွံ့ဖြိုးတိုးတက်ရေးအစီအစဉ်များမှ စည်းမျဉ်းဆိုင်ရာ အသိပညာကို ထိန်းသိမ်းထုတ်ဝေမည်။ သို့ဖြင့် အများအားဖြင့် သိမ်းဆည်းပိတ်ပင်ထားသော ယခင်ဖြစ်ရပ်များမှ အနာဂတ်အဖွဲ့များ သင်ယူနိုင်ကာ လူနာများအတွက် ထိရောက်သည့် ကုသနည်းများကို ပိုမိုလျင်မြန်စွာ ဖော်ထုတ်နိုင်မည်။

   CTD သို့မဟုတ် Common Technical Document ဆိုသည်မှာ စမ်းသပ်ဆေးဝါးတစ်မျိုး၏ ခရီးစဉ်တစ်လျှောက်လုံး—တိရစ္ဆာန်အဆိပ်သင့်မှုလေ့လာချက်၊ ထုတ်လုပ်ရေးအသေးစိတ်အချက်အလက်နှင့် အသုံးဝင်ဆုံးဖြစ်နိုင်သည့် FDA နှင့် အပြန်အလှန်ဆက်သွယ်ထားသော စာများအထိ—စုစည်းထားသည့် စာတမ်းဖြစ်သည်။ သို့သော် ထိုလုပ်ငန်းများအနက် အနည်းငယ်မျှသာ ထုတ်ဝေထားသော သုတေသနစာတမ်းများတွင် ပါဝင်လာသည်။

   CTD Commons သည် မအောင်မြင်ခဲ့သော သို့မဟုတ် ရပ်ဆိုင်းထားသော ဆေးဝါးအစီအစဉ်များမှ CTD များကို ရယူနိုင်ခြေ ရှိ၊ မရှိ စမ်းသပ်ပြီး လူတိုင်းက သုတေသနနှင့် ခွဲခြမ်းစိတ်ဖြာရေးတွင် အသုံးပြုနိုင်ရန် ပွင့်လင်းစွာ ထုတ်ပြန်ပေးမည်။

   "FDA ဆီကို တင်သွင်းတဲ့ မှတ်တမ်းတိုင်းဟာ သုတေသီတွေ၊ ပြန်လည်သုံးသပ်သူတွေနဲ့ လေ့လာမှုမှာ ပါဝင်သူတွေရဲ့ ကြိုးပမ်းအားထုတ်မှုတွေ၊ စွန့်လွှတ်အနစ်နာခံမှုတွေကို ကိုယ်စားပြုနေပါတယ်။ ဒီကြိုးပမ်းမှုတွေ မအောင်မြင်ခဲ့ရင်တောင်မှ၊ အဲဒီကနေ ထွက်ပေါ်လာတဲ့ တန်ဖိုးရှိတဲ့ အချက်အလက်တွေကို အလဟဿ အဖြစ်မခံသင့်ပါဘူး' ဟု CTD Commons ၏ ဦးဆောင်စီစဉ်သူနှင့် 1Day Sooner ဥက္ကဋ္ဌ Josh Morrison က ပြောသည်။ "CTD Commons ဟာ အလုပ်တွေ ထပ်ခါတလဲလဲ ဖြစ်နေတာတွေနဲ့ ကုန်ကျစရိတ်တွေကို လျှော့ချပေးသွားမှာဖြစ်ပြီးတော့၊ လက်တွေ့သုတေသနတွေရဲ့ အကျိုးသက်ရောက်မှုကို အမြင့်ဆုံးဖြစ်အောင် လုပ်ဆောင်ပေးသွားမှာပါ"

3. UNC⁠ သည် Generative Immunotherapy Initiative ကို တည်ထောင်ပြီး အများသုံး ဘက်စုံပုံစံဒေတာများ ဖန်တီးမည်။ သို့ဖြင့် ကင်ဆာလူနာများသည် ရောဂါရှာဖွေတွေ့ရှိချိန်တွင် ကိုယ်ပိုင်လိုအပ်ချက်နှင့်ကိုက်ညီသော ကင်ဆာကာကွယ်ဆေးများကို လျင်မြန်စွာ ရရှိနိုင်သည့် အနာဂတ်သို့ ရောက်ရှိရန် ကူညီမည်။

   ယနေ့ခေတ် “neoantigen” ကင်ဆာကာကွယ်ဆေးများသည် လူနာတစ်ဦးချင်းစီအတွက် ကွန်ပျူတာဖြင့် သီးခြားဒီဇိုင်းထုတ်ထားသည့် ဆေးဝါးအနည်းငယ်အနက် တစ်မျိုးဖြစ်သည်။ ယင်းတွင် အကျိတ်ဆဲလ်၏ ဗီဇအစီအစဉ်ကို ဖတ်ရှုပြီး ၎င်း၏မျက်နှာပြင်ပေါ်တွင် မည်သည့်အကျိတ်သီးသန့်ပစ်မှတ်များ ပေါ်ထွက်နေသည်ကို ခန့်မှန်းသည်။ သို့သော် ထိုဗီဇအစီအစဉ်ဖတ်ရှုမှုသည် အဖြစ်မှန်ကို သွယ်ဝိုက်ဖော်ပြသည့် အညွှန်းတစ်ခုသာ ဖြစ်သည်။ ဆဲလ်မျက်နှာပြင်ရှိ ပစ်မှတ်များကို တိုက်ရိုက်တိုင်းတာရန် ခက်ခဲ၍ ကုန်ကျစရိတ်များသည့်အပြင် လူနာ၏ ကိုယ်ခံအားစနစ်က ထိုပရိုတင်းတစ်မျိုးစီကို မည်မျှပြင်းပြင်းထန်ထန် တုံ့ပြန်သည်ကို စစ်ဆေးရန်လည်း ခက်ခဲသောကြောင့်ဖြစ်သည်။

   UNC သည် အကျိတ်ရာနှင့်ချီ၍ ကင်ဆာအမျိုးအစားများစွာတွင် ပျောက်ဆုံးနေသော ထိုဆက်နွှယ်ချက်များကို ဖော်ထုတ်မည်။ ထို့အပြင် ကမ္ဘာတစ်ဝန်းရှိ သုတေသီများ ဆက်လက်အသုံးချနိုင်ရန် အမည်မဖော်နိုင်အောင် ပြုလုပ်ထားသော အများသုံးဒေတာဖြင့် ဤနယ်ပယ်၏ ပထမဆုံး လေ့ကျင့်ရေးနှင့် အကဲဖြတ်ရေး dataset များအနက် တစ်ခုကို ဖန်တီးမည်။

   "လူနာတစ်ယောက်ချင်းစီနဲ့ ကိုက်ညီအောင် ဖန်တီးထားတဲ့ ကင်ဆာကာကွယ်ဆေးတွေဟာ နောက်ဆုံးမှာတော့ လက်တွေ့ကုသမှုပိုင်းဆိုင်ရာ ထိရောက်မှုရှိတဲ့ လက္ခဏာတွေကို စတင်ပြသလာပြီ ဖြစ်ပါတယ်။ ဒါပေမယ့် ပုံမှန် ကုထုံးဖော်ထုတ်တဲ့ နည်းလမ်းဟောင်းအတိုင်းဆိုရင်တော့ ဖြည့်ဆည်းဖို့ ဆယ်စုနှစ်နဲ့ချီ ကြာနိုင်သေးတဲ့ လိုအပ်ချက် ကွာဟမှုတွေ ရှိနေဆဲပါပဲ။ အရည်အသွေးမြင့်တဲ့ ဒေတာတွေက ဒီကွာဟချက်တွေကို ပိုပြီး မြန်မြန်ဆန်ဆန် ဖြည့်ဆည်းနိုင်ဖို့ ကူညီပေးနိုင်ပါတယ်" ဟု UNC ဆေးကျောင်း မျိုးရိုးဗီဇဆိုင်ရာ လက်ထောက်ပါမောက္ခ Alex Rubinsteyn, PhD က ပြောသည်။ "ဒီလိုကြာမြင့်မယ့် အချိန်ကာလကို လျှော့ချပစ်ပြီးတော့၊ ယေဘုယျအားဖြင့် ထိရောက်မှုရှိတဲ့ လူနာနဲ့ကိုက်ညီမယ့် ကိုယ်ခံအားကုထုံးတွေကို လက်တွေ့အကောင်အထည်ပေါ်လာအောင် ကူညီပေးရမယ့်အပေါ် ကျွန်ုပ်တို့ အလွန်ပဲ စိတ်လှုပ်ရှားမိပါတယ်။"

   

ကျွန်ုပ်တို့၏ ကနဦးမဟာဗျူဟာ

ဤအပိုင်းသည် အနာဂတ် OpenAI Foundation ထောက်ပံ့ငွေအခွင့်အလမ်းများကို စိတ်ဝင်စားသည့် သုတေသီများအတွက် အထူးသက်ဆိုင်မည်ဟု မျှော်လင့်ပါသည်။

စုဆောင်းထားလျှင် တန်ဖိုးရှိမည့် သိပ္ပံဒေတာပမာဏသည် ရန်ပုံငွေပံ့ပိုးသူတစ်ဦးတည်းက ထောက်ပံ့နိုင်သည့် ပမာဏထက် များစွာပိုမိုပါသည်။ ထို့ကြောင့် OpenAI Foundation ၏ ပံ့ပိုးမှုက အကျိုးအရှိဆုံးဖြစ်နိုင်မည်ဟု ယုံကြည်သော ဒေတာအမျိုးအစားများအကြောင်း သုတေသနအသိုင်းအဝိုင်းနှင့် ဤနေရာတွင် ပိုမိုမျှဝေလိုပါသည်။

ကျွန်ုပ်တို့ ကနဦးအာရုံစိုက်လိုသည့် ဒေတာဆိုင်ရာ ယူဆချက်များမှာ ဆက်နွှယ်သော ဒေတာ၊ ရှားပါးသော ဒေတာနှင့် တိုက်ရိုက် ဒေတာတို့ဖြစ်သည်။ ကျွန်ုပ်တို့ ရန်ပုံငွေပံ့ပိုးမည့် dataset များတွင် အောက်၌ အသေးစိတ်ဖော်ပြထားသော ဤဂုဏ်သတ္တိများအနက် တစ်ခု သို့မဟုတ် နှစ်ခု ပါဝင်လေ့ရှိပြီး ရှားပါးသောအခြေအနေများတွင် သုံးခုလုံး ပါဝင်မည်ဖြစ်သည်။

Dataset အားလုံးတွင် လူနာဒေတာနှင့် သက်ဆိုင်သည့်အခါတိုင်း ကိုယ်ရေးအချက်အလက်လုံခြုံမှုကို ကာကွယ်ရင်း ဒေတာကို ကျယ်ကျယ်ပြန့်ပြန့် ရယူအသုံးပြုနိုင်စေရန် ပြုလုပ်ခြင်းသည် ပို၍အရေးကြီးလာမည်ဟု ကျွန်ုပ်တို့ ယုံကြည်သည်။ ယင်းကြောင့် သုတေသီများသည် အချင်းချင်း၏ လုပ်ဆောင်ချက်များအပေါ် အခြေခံ၍ ဆက်လက်လုပ်ဆောင်နိုင်ပြီး မမျှော်လင့်ထားသော နေရာများမှ သိပ္ပံတိုးတက်မှုများ ထွက်ပေါ်လာနိုင်မည်။

1. ဆက်နွှယ်သောဒေတာ—အဆင့်များစွာတစ်လျှောက် ဇီဝဖြစ်စဉ်ကို လေ့လာခြင်း

   ဇီဝဖြစ်စဉ်များသည် အတိုင်းအတာအမျိုးမျိုးတွင် ဖြစ်ပေါ်နေသော်လည်း သက်ရှိသိပ္ပံ dataset အများစုက အဖြစ်မှန်၏ အစိတ်အပိုင်းတစ်ခုကိုသာ ဖမ်းယူထားသည်။ ဆဲလ်မြေပုံတစ်ခုသည် ဆဲလ်ထောင်ပေါင်းများစွာရှိ မော်လီကျူးများကို တိုင်းတာနိုင်သော်လည်း မော်လီကျူးတစ်ခုချင်း ပုံရိပ်ဖော်ခြင်းက ဆဲလ်တစ်ခုတည်းကိုသာ လေ့လာသည်။ ရှုထောင့်နှစ်မျိုးလုံးသည် တန်ဖိုးရှိသော်လည်း ယင်း dataset များကို သီးခြားစီ ဖန်တီးလေ့ရှိသောကြောင့် သိပ္ပံရလဒ်များ အချင်းချင်း မည်သို့ဆက်စပ်သည်ကို သိရှိရန် နောက်ဆက်တွဲလုပ်ငန်းများကို နှစ်ပေါင်းများစွာ လုပ်ဆောင်ရနိုင်သည်။ သုတေသနအဖွဲ့တစ်ဖွဲ့ချင်းစီက ဤအတိုင်းအတာများကြား စနစ်တကျ ကူးပြောင်းလေ့လာပြီး အလွှာအမျိုးမျိုး အချင်းချင်း အားဖြည့်ပေးသော အသေးစိတ်ပြည့်စုံသည့် ဆက်နွှယ် dataset များ ဖန်တီးနိုင်ရန် ပံ့ပိုးလိုပါသည်။

   ဥပမာ UCSF သို့ ကျွန်ုပ်တို့ပေးသည့် ထောက်ပံ့ငွေကြောင့် OpenADMET အဖွဲ့သည် ဒြပ်ပေါင်းသောင်းနှင့်ချီ၏ အဓိကမော်လီကျူးဂုဏ်သတ္တိများနှင့် အပြန်အလှန်သက်ရောက်မှုများကို တိုင်းတာနိုင်မည်။ ထို့နောက် အဖွဲ့သည် ဤကျယ်ပြန့်သော အချက်အလက်ဖော်ထုတ်မှုကို ဆေးဝါးသယ်ယူပို့ဆောင်မှုဆိုင်ရာ ရှုထောင့်နှစ်မျိုးနှင့် ဆက်စပ်မည်။ ယင်းတို့မှာ ရွေးချယ်ထားသော မော်လီကျူးများ ကပ်ငြိနေသည့် သယ်ယူပို့ဆောင်ရေးပရိုတင်းများ၏ စမ်းသပ်မှုဖြင့် အတည်ပြုထားသော ဖွဲ့စည်းပုံများနှင့် ယင်းပရိုတင်းများက မော်လီကျူးများနှင့် လုပ်ငန်းဆိုင်ရာ မည်သို့အပြန်အလှန်သက်ရောက်သည်ကို တိုင်းတာသည့် စမ်းသပ်ချက်များ ဖြစ်သည်။ နောက်ဆုံးတွင် ဤဒြပ်ပေါင်းများအနက် အချို့ကို လူ့သွေးနှင့် ဦးနှောက်ကြား အတားအဆီး၏ မော်ဒယ်များတွင် စမ်းသပ်ပြီး ထိုရလဒ်များကို သက်ရှိတိရစ္ဆာန်များ၌ တိုင်းတာထားသည့် ရလဒ်များနှင့် နှိုင်းယှဉ်မည်။

   ဤဒေတာစုဆောင်းနည်းသည် ဆေးဝါးတစ်မျိုး၏ ခန္ဓာကိုယ်အတွင်း ရွေ့လျားမှုကို မည်သည့်အရာများက ဆုံးဖြတ်သည်ဆိုသည့် ထူးထူးခြားခြား ပြည့်စုံသော မှတ်တမ်းကို ဖန်တီးပေးမည်။ ထို့ကြောင့် လူသားများ အလေးထားသည့်အဆင့်တွင် AI မော်ဒယ်များဖြင့် ပိုမိုကောင်းမွန်စွာ ခန့်မှန်းနိုင်မည်။

2. ရှားပါးသောဒေတာ— ပြန်လည်ဖန်တီး၍မရသည့်အရာကို ထိန်းသိမ်းခြင်း

   အနာဂတ် AI သည် မည်မျှပင် စွမ်းဆောင်ရည်မြင့်မားပါစေ၊ ယုံကြည်ရသော မွေးဖွားသေဆုံးမှုစာရင်းများ မရှိသည့် နိုင်ငံများမှ သေဆုံးခြင်းနှင့် ကျန်းမာရေးချို့တဲ့ခြင်း၏ အကြောင်းရင်းများ၊ သို့မဟုတ် လွန်ခဲ့ပြီးဖြစ်သော သီးခြားအချိန်တစ်ခုတွင် လူနာများထံမှ ရယူထားသည့် ဇီဝနမူနာများ၏ ပါဝင်ပစ္စည်းများကဲ့သို့ တစ်မူထူးခြားသော အချိန်ကာလတစ်ခုတွင် ဖြစ်ပေါ်ခဲ့သည့် ဇီဝဖြစ်ရပ်များကို အတိတ်သို့ ပြန်သွား၍ လေ့လာနိုင်မည် မဟုတ်ပါ။ ဇီဝဗေဒတွင် ဤကဲ့သို့ ပြန်လှည့်၍မရသော အခွင့်အရေးများစွာရှိပြီး အနာဂတ် မော်ဒယ်တည်ဆောက်သူများသည် ယနေ့ခေတ် သုတေသီများ မခန့်မှန်းနိုင်သေးသည့် နည်းလမ်းများဖြင့် ထိုအထောက်အထားများကို အသုံးချနိုင်သည်။ ထို့ကြောင့် အခွင့်အရေးမပျောက်ကွယ်မီ တန်ဖိုးရှိဒေတာများကို စုဆောင်း သို့မဟုတ် ထိန်းသိမ်းမည့် အဆိုပြုချက်များနှင့် ပြန်လည်ဖန်တီးနိုင်တော့မည် မဟုတ်သည့် လက်ရှိပုဂ္ဂလိက dataset များကို ကိုယ်ရေးလုံခြုံမှုနှင့် တစ်ဦးချင်းသဘောတူညီချက်အား လေးစားလျက် ကျယ်ကျယ်ပြန့်ပြန့် အသုံးပြုနိုင်စေမည့် အဆိုပြုချက်များကို အထူးစိတ်ဝင်စားပါသည်။

   ဥပမာ CTD Commons သို့ ကျွန်ုပ်တို့ပေးသည့် ထောက်ပံ့ငွေသည် ကုမ္ပဏီများ ပိတ်သိမ်းပြီး မှတ်တမ်းများ ပျောက်ကွယ်မသွားမီ မအောင်မြင်ခဲ့သော ဆေးဝါးဖွံ့ဖြိုးရေးအစီအစဉ်များ၏ မှတ်တမ်းများကို သိမ်းဆည်းနိုင်ခြေ ရှိ၊ မရှိ စုံစမ်းလေ့လာမည်။ ရေတိုတွင် ဤစာတမ်းများကြောင့် အစောပိုင်းအဆင့် ဆေးဝါးဖွံ့ဖြိုးရေးအဖွဲ့များသည် ကုန်ကျစရိတ်များသော အမှားအမှန်စမ်းသပ်မှုဖြင့် သင်ယူရမည့်အစား အလားတူထုတ်ကုန်များထံမှ စည်းမျဉ်းထိန်းသိမ်းရေးအဖွဲ့များ တောင်းဆိုခဲ့သည့် အချက်များကို သိရှိနိုင်မည်။ ရေရှည်တွင် ဤစာတမ်းများသည် ဆေးဝါးများ မအောင်မြင်ခြင်း သို့မဟုတ် အောင်မြင်ခြင်း၏ ပုံစံများကို စက်သင်ယူမှုစနစ်များက ရှာဖွေတွေ့ရှိရန် အရင်းအမြစ်များ ဖြစ်လာနိုင်သည်။ ယင်းက စည်းမျဉ်းများ သို့မဟုတ် စမ်းသပ်မှုမဟာဗျူဟာများ ပိုမိုကောင်းမွန်လာစေပြီး လူနာများက ကုသနည်းအသစ်များ၏ အကျိုးကျေးဇူးကို ပိုမိုစောစီးစွာ ရရှိနိုင်စေမည်။

3. တိုက်ရိုက်ဒေတာ—အရေးအပါဆုံးအရာနှင့် အနီးစပ်ဆုံး ဇီဝနှင့် လက်တွေ့အခြေအနေများကို တိုင်းတာခြင်း

   ဇီဝဗေဒသမိုင်းတစ်လျှောက် အချိန်အများစုတွင် တိုင်းတာရန် လွယ်ကူသော သို့မဟုတ် စရိတ်သက်သာသော အရာများကိုသာ တိုင်းတာခဲ့သည်။ ဥပမာ လူသားဆိုင်ရာ လက်တွေ့ဒေတာအစား ဆဲလ်တစ်ခုချင်း၏ ဒေတာကို တိုင်းတာခြင်း၊ သို့မဟုတ် ပရိုတင်းများအစား RNA ထွက်ပေါ်မှုကို တိုင်းတာခြင်းတို့ ဖြစ်သည်။ ဤသွယ်ဝိုက်အညွှန်းများသည် အလွန်အသုံးဝင်ခဲ့သော်လည်း ဇီဝဗေဒကို နားလည်ရန်နှင့် ရောဂါကို ကာကွယ်ကုသရန် ရည်မှန်းချက်များမှ ကင်းကွာသွားနိုင်သည်။ ဤကဲ့သို့သော အခြေအနေများတွင် အရေးအပါဆုံးအရာများကို တိုင်းတာသည့် dataset များ စုစည်းနိုင်ရန် သုတေသီများလိုအပ်သော အရင်းအမြစ်များကို ပံ့ပိုးလိုပါသည်။ “ဇီဝဆိုင်ရာ အမှန်တရား” ကို တိုင်းတာရန် လိုအပ်သည့် ကိရိယာများ မတည်ရှိသေးခြင်း သို့မဟုတ် အကြီးစားအသုံးပြုရန် မတတ်နိုင်လောက်အောင် ဈေးကြီးခြင်းလည်း ဖြစ်နိုင်သည်။ ဤအစီအစဉ်အတွင်း ဒေတာအသစ်နှင့် ကိရိယာအသစ်ဟူသော အစီအမံနှစ်မျိုးလုံးကို ပံ့ပိုးနိုင်ရန် မျှော်လင့်ပါသည်။

   ဥပမာ Generative Immunotherapy Initiative တည်ထောင်ရန် UNC သို့ ပေးသည့် ကျွန်ုပ်တို့၏ ထောက်ပံ့ငွေကြောင့် UNC Lineberger နှင့် UNC Health အဖွဲ့တို့သည် မျိုးဆက်သစ် ကင်ဆာကာကွယ်ဆေးများ ပိုမိုကောင်းမွန်လာရန် လိုအပ်သော လူသားအခြေပြုဒေတာကို ဖန်တီးနိုင်မည်။ ဆိုလိုသည်မှာ အကျိတ်၏ ဗီဇအစီအစဉ်ကို “သာ” ဖတ်ရှုမည့်အစား အကျိတ်ဆဲလ်မျက်နှာပြင်ရှိ ပရိုတင်းများနှင့် လူနာများ၏ T ဆဲလ်တုံ့ပြန်မှုများကိုပါ တိုက်ရိုက်တိုင်းတာခြင်း ဖြစ်သည်။ ဤဒေတာကို ဖန်တီးရန် ကုန်ကျစရိတ်များသည်။ ယခုတစ်ကြိမ်တွင် ပြည့်စုံစွာ ဆောင်ရွက်ပြီး ရလဒ်များကို ပွင့်လင်းစွာ ထုတ်ပြန်ခြင်းဖြင့် အနာဂတ် ကင်ဆာကာကွယ်ဆေး ကြိုးပမ်းမှုအားလုံး အကျိုးကျေးဇူးရရှိနိုင်မည်ဟု မျှော်လင့်ပါသည်။ အထူးသဖြင့် ဤစီမံကိန်းအောင်မြင်ပါက အနာဂတ်အလားအလာရှိသော ကာကွယ်ဆေးများသည် ပိုမိုခိုင်မာသော ပစ်မှတ်အစုဖြင့် လူသားများတွင် ဆေးပမာဏစမ်းသပ်မှု စတင်နိုင်မည်။ ယင်းက ထိရောက်နိုင်ခြေကို မြှင့်တင်ပေးသင့်ပြီး မထိရောက်သည့်အခါတွင်လည်း ပိုမိုလေ့လာသိရှိနိုင်စေမည်။

ဒေတာကို သုတေသီများ ရယူအသုံးပြုနိုင်စေရေး အာမခံခြင်း

နောက်ဆုံးအနေဖြင့် ကျွန်ုပ်တို့၏ ထောက်ပံ့ငွေအားလုံးမှ ထွက်ပေါ်လာသည့် dataset များကို ကမ္ဘာတစ်ဝန်းရှိ သုတေသီများ တတ်နိုင်သမျှ အလွယ်တကူ ရယူအသုံးပြုနိုင်စေရန် ဆောင်ရွက်နေပါသည်။

သိပ္ပံသမိုင်းတစ်လျှောက် အချိန်ကာလအများစုတွင် ယူဆချက်များကို စမ်းသပ်ခြင်းသည် ရှာဖွေတွေ့ရှိမှုကို အဓိကနှောင့်နှေးစေသည့် အတားအဆီးဖြစ်ခဲ့သည်။ ပြဿနာများကို ဖြေရှင်းရန် အသုံးချနိုင်သည့် “ဉာဏ်ရည်” မှာ ကန့်သတ်ချက်ရှိခဲ့သည်။ ဆိုလိုသည်မှာ ပြဿနာတစ်ခုအတွက် ဒေတာဖန်တီးပြီး ထိုဒေတာကို ခွဲခြမ်းစိတ်ဖြာပေးမည့် ဘွဲ့လွန်ကျောင်းသားနှင့် အသက်မွေးဝမ်းကျောင်း သိပ္ပံပညာရှင်အရေအတွက်မှာ သတ်မှတ်ထားသလောက်သာ ရှိခဲ့သည်။ ကုဒ်ရေးသားခြင်းနှင့် ဒေတာခွဲခြမ်းစိတ်ဖြာခြင်းတို့တွင် AI ဆက်လက်တိုးတက်လာမှုက ထိုယူဆချက်ကို ပြောင်းလဲပေးနေသည်။ ဒေတာခွဲခြမ်းစိတ်ဖြာမှုကို ယခင်ထက် အဆများစွာ တိုးချဲ့လုပ်ဆောင်နိုင်လာနိုင်ပြီး ဒေတာဖန်တီးချိန်တွင် ကြိုတင်မခန့်မှန်းနိုင်သည့် ပူးပေါင်းဆောင်ရွက်မှုများမှ ထိုးထွင်းသိမြင်မှုများ ထွက်ပေါ်လာနိုင်သည်။

ကျွန်ုပ်တို့၏ ရည်မှန်းချက်မှာ အထွေထွေ ဉာဏ်ရည်တုက လူသားအားလုံးကို အကျိုးပြုစေရန် ဖြစ်သည်။ ကျွန်ုပ်တို့၏ ပံ့ပိုးမှုဖြင့် ဖန်တီးထားသော သိပ္ပံဒေတာများကို လူသားဒေတာ ပါဝင်သည့်အခါတိုင်း တစ်ဦးချင်း၏ ကိုယ်ရေးလုံခြုံမှုနှင့် သဘောတူညီချက်ကို ထိန်းသိမ်းလျက် ကျယ်ကျယ်ပြန့်ပြန့် အသုံးပြုနိုင်စေသင့်သည်။ သို့သော် ရယူအသုံးပြုနိုင်မှုသည် မူရင်းဒေတာကို ထုတ်ပြန်ပေးရုံထက် ပိုမိုကျယ်ပြန့်သည်။ ထောက်ပံ့ငွေလက်ခံသူများကို ၎င်းတို့၏ ခွဲခြမ်းစိတ်ဖြာမှုများအား ကြိုတင်ထုတ်ဝေသည့် သုတေသနစာတမ်းများအဖြစ် ထုတ်ဝေရန်၊ အဆုံးတွင်သာ မဟုတ်ဘဲ ဒေတာကို ပုံမှန်မျှဝေရန်နှင့် ဒေတာသည် “ဆက်နွှယ်” မှုမရှိပါက ဇီဝဗေဒအတွက် တန်ဖိုးရှိသော ပြဿနာများ၌ ဒေတာ၏ အသုံးဝင်မှုကို အကဲဖြတ်ရန် အသုံးပြုသူများနှင့် ပူးပေါင်းလုပ်ဆောင်ရန် ကျွန်ုပ်တို့ တိုက်တွန်းပါသည်။

အဆင့်ဆင့် ပြန်လည်သင်ယူခြင်း

ဤဆောင်းပါးတွင် ကျန်းမာရေးအတွက် အများပြည်သူသုံးဒေတာအစီအစဉ်နှင့် ပတ်သက်သည့် ကျွန်ုပ်တို့၏ ကနဦးဦးတည်ချက်ကို ဖော်ပြထားသည်။ သိပ္ပံနှင့် AI တိုးတက်လာမှုများအပြင် သုတေသနအသိုင်းအဝိုင်းရှိ အခြားသူများနှင့် ဆွေးနွေးမှုများအပေါ် အခြေခံ၍ ကျွန်ုပ်တို့၏ အမြင်များကို အစဉ်မွမ်းမံနေပါသည်။

ကျန်းမာရေးအတွက် အများပြည်သူသုံးဒေတာနှင့် ပတ်သက်၍ အကြံဉာဏ်များရှိပါက [email protected]⁠ သို့ ဆက်သွယ်ရန် ဖိတ်ခေါ်ပါသည်။ ကျွန်ုပ်တို့၏ အစီအစဉ်များနှင့် ရန်ပုံငွေများဆိုင်ရာ နောက်ဆုံးသတင်းများကို သိရှိရန် သတင်းလွှာကို ဤနေရာတွင်⁠ စာရင်းသွင်းနိုင်ပါသည်။

ဤဆောင်းပါးတွင် ဆွေးနွေးထားသည့် ပြဿနာမျိုးများကို အချိန်ပြည့် စဉ်းစားဖြေရှင်းရန် စိတ်ဝင်စားပါက သက်ရှိသိပ္ပံနှင့် ရောဂါကုသရေးအဖွဲ့တွင် လက်ရှိခေါ်ယူနေသော အလုပ်နေရာလွတ် လေးခု⁠ ရှိပါသည်။