KI for Alzheimers

Alzheimers sykdom er et av de vanskeligste uløste problemene innen medisin, og et av de mest ødeleggende. Den tar livet av millioner av mennesker, påfører familier en enorm byrde og fortsetter å trosse mye av det medisinen kan gjøre i dag. Hos OpenAI Foundation ønsker vi å endre dette ved å bruke avansert KI til å fremskynde vitenskapen bak forebygging og behandling av sykdommen.^1⁠ Som et første steg arbeider vi med å sluttføre tilskudd på over 100 millioner dollar denne måneden, på tvers av seks forskningsinstitusjoner, for å støtte og fremskynde forskning på Alzheimers – generere nye data, bidra til utviklingen av nye legemidler og utvide mulige veier til behandling.

Disse tilskuddene markerer begynnelsen på arbeidet vårt; det er mye mer å gjøre. Vi forventer å gi ytterligere tilskudd til Alzheimer-forskning gjennom 2026 og videre, til flere forskere og forskningsinstitusjoner, slik at vi sammen endelig kan forebygge og behandle Alzheimers sykdom.

Hvorfor fokusere på Alzheimers?

Vårt oppdrag er å sikre at AGI kommer hele menneskeheten til gode. Alzheimers er et enormt problem, det blir stadig verre etter hvert som befolkningen eldes, og sykdommens kompleksitet passer godt for KI.

Alzheimers rammer ikke bare de millioner av mennesker som har fått diagnosen, men også ektefellene, barna og andre omsorgspersoner som støtter dem. Sykdommen påfører familier en enorm emosjonell og økonomisk belastning.

Menneskeheten har gjort fremskritt i løpet av de siste tiårene mot tre av de fire store dødsårsakene – hjertesykdom, infeksjonssykdommer og enkelte kreftformer – og dermed redusert risikoen for å dø i enhver gitt alder:

Utviklingen av effektive behandlinger for den fjerde store dødsårsaken – nevrodegenerative sykdommer, som Alzheimers – har imidlertid så langt vist seg å være svært vanskelig, til tross for innsatsen fra menneskehetens fremste forskere:

Det skyldes at Alzheimers ikke ser ut til å være drevet av én enkelt årsak, men av samspillet mellom genetiske risikofaktorer, feilfolding av proteiner, inflammasjon, synaptisk dysfunksjon og mer—som samvirker med miljøfaktorer over flere tiår og alt sammen utspiller seg i hjernen, et organ som er vanskelig å studere og å levere legemidler til. Tradisjonelle forskningstilnærminger har hatt problemer med å forstå dette.

KI er spesielt godt egnet til å håndtere denne kompleksiteten. Evnen dens til å resonnere på tvers av ulike typer data – inkludert pasienters kliniske symptomer, biologiske sykdomsmarkører, screeninger av legemiddelkandidater og mer – gir en helt ny måte å forstå hvordan disse faktorene samhandler, identifisere passende legemiddelmål og diagnostisere håndterbare risikoer flere tiår tidligere for pasienter.

Målet vårt er å hjelpe forskere med å utvikle nye verktøy for endelig å forebygge og behandle Alzheimers sykdom. Siden det målet har vært så vanskelig å oppnå til dags dato, ser vi på det som en tydelig test på KIs evne til å endre hva som er mulig innen menneskelig helse. Vi ønsker å utgjøre en meningsfull forskjell for mennesker som er i faresonen for å utvikle Alzheimers, og familiene deres.

Vår innledende tilnærming

Vi er takknemlige for støtten vi har fått fra eksterne vitenskapelige fagfeller i arbeidet med å utforme de innledende strategiene våre. Selv om vi er svært begeistret for hvert av disse områdene vi gir støtte til, forventer vi ikke å nå målet vårt om forebygging og behandling av Alzheimers sykdom over natten. Noen eksperimenter vil gi negative resultater, og det vil komme tilbakeslag underveis. Det er vitenskapens natur – og vi kommer til å lære så raskt vi kan, og oppdatere tilnærmingen vår etter hvert som resultatene kommer inn.

Til å begynne med har vi innledende hypoteser om hvordan vi kan støtte forskningsøkosystemet på en måte som utfyller eksisterende innsats, og utnytter det som nå er mulig med KI. Til sammen skaper dette en «femlagsstabel» av aktiviteter ved ledende forskningsinstitusjoner:

1. Lag et «årsakskart» over Alzheimer ved hjelp av AI, for å validere mål for intervensjon. Det virker nå klart at Alzheimer har mange årsaksfaktorer, ikke bare én. Det innebærer at vi bør kartlegge det fullstendige nettverket av årsaksfaktorer for å identifisere de mest effektive punktene for terapeutisk intervensjon for ulike personer. Ved å samarbeide med forskere for banebrytende AI innen biologi, som Arc Institute⁠, har vi som mål å forstå hvordan hjerneorganoider som modell reagerer på ulike kombinasjoner av genetiske og miljømessige risikofaktorer. Slike eksperimentelle data i stor skala kan brukes til å trene AI-modeller som kan informere fremtidige eksperimenter. Med denne hybridmotoren kan forskere dele funnene sine underveis, slik at andre kan bygge videre på dem, og foreslå mekanistisk informerte legemiddelmål for videre testing.

2. Utvikle nye legemidler ved hjelp av AI, og teste dem i laboratoriet–med samarbeidspartnere som Institute for Protein Design⁠⁠, sammen med ledende nevrologer og nevroforskere ved Mass General Brigham Neuroscience Institute. Det har blitt testet over 100 legemidler for Alzheimer siden år 2000, men nesten alle virket ikke eller hadde uønskede bivirkninger. Vi mener at molekyler som er utviklet ved hjelp av AI-verktøy innen biologi, vil ha større sannsynlighet for å lykkes over tid. Men for å fastslå om det stemmer, må forskere først kunne validere de digitale konstruksjonene sine i celler, vev og dyr.

3. Støtt åpne datasett for å forutsi legemiddelaktivitet, og kartlegg sykdomsutviklingen med og uten intervensjon. Det inkluderer opprettelsen av nye åpne datasett relevante for Alzheimer sammen med ideelle organisasjoner som Focused Research Organisation EvE Bio⁠. Det omfatter også støtte for utvidelse av eksisterende longitudinale og epidemiologiske datasett, samt muligheter for å ansvarlig måte åpne opp eksisterende datasett innsamlet av bioteknologiselskaper som kan være til nytte for alle forskere.

4. Etablere nye biomarkører for sykdom, forbedre diagnostikk og gjennomføringen av kliniske studier, med samarbeidspartnere som UCSF. Godkjenningen av den første blodprøven for Alzheimer i fjor⁠ gir spesialiserte leger flere verktøy for å vurdere pasientens tilstand på en mindre inngripende måte. Blod og andre biomarkører gir også forskere muligheten til å måle hvilken effekt legemidler kan ha på sykdomsutviklingen i kliniske studier, inkludert som sekundære målinger i studier som primært retter seg mot en annen sykdom (som vist i denne nylige studien⁠ om hjerte- og karsykdom). Det finnes flere muligheter for å komme enda lenger med moderne proteomikk og annen prøvetaking fra pasienter, nå som AI kan tolke mer komplekse biologiske signaler.

5. Teste behandlinger uten patentbeskyttelse og bruk av AI for å forstå anonymiserte pasientdata og erfaringer rapportert på nettet best mulig. Det finnes en rekke tiltak der det finnes indikasjoner på en effekt—for eksempel litiumorotat⁠ og den ikke lenger patentbeskyttede helvetesildvaksinen⁠–men der det er behov for ytterligere bevis av høy kvalitet, og privat sektor ikke har insentiver til å betale for kliniske studier.

Iterativ læring

Vi vil gjøre fremskritt på alle disse fem områdene samtidig, for å utfylle annet arbeid i forskningsøkosystemet. Vi forventer å bygge videre på de eksisterende tilnærmingene våre etter hvert som vi får flere tilbakemeldinger fra forskningsmiljøet, slik at vi sammen kan finne ut hvordan vi kan forebygge og behandle Alzheimers sykdom.

Ved å ta Alzheimers direkte fatt, har vi som mål ikke bare å bidra til å endre sykdomsforløpet, men også å bygge verktøy og kunnskap som kan akselerere fremgangen mot mange andre.

* * *

Hvis du er interessert i å motta oppdateringer fra OpenAI Foundation, kan du abonnere her⁠. Hvis du ønsker å kontakte vårt Life Sciences & Curing Diseases-team, er vi tilgjengelig på [email protected]⁠.

I tillegg til akademiske artikler leser vi gjerne rapporter, lengre artikler og blogginnlegg om AI og vitenskap. Selv om vi ikke er enige i alle påstandene i disse tekstene, inkluderer dette National Academies-rapporten⁠, denne oversiktsartikkelen om legemiddelutviklingen for Alzheimer⁠, overordnede oppsummeringer av medisinsk fremgang som denne artikkelen om dødsrater fra hjerte- og karsykdom⁠, dette Science -blogginnlegget⁠ om utfordringer for AI om fremskritt innen medisin, og denne ideen om kliniske data fra IFP⁠.

Vi oppfordrer deg til å publisere analyser offentlig, og sende oss en lenke på e-post hvis du mener at vi kan ha nytte av perspektivet.