Openbare data voor gezondheid

In april lanceerden we⁠ AI for Alzheimer’s, het eerste programma van de OpenAI Foundation op het gebied van biowetenschappen en het genezen van ziekten. Vandaag introduceren we ons tweede wetenschappelijke programma: Openbare data voor gezondheid.

Met AI for Alzheimer’s richten we ons op één ziekte die veel gezinnen treft en waarbij AI wetenschappers volgens ons kan helpen betere behandelingen te ontwikkelen. Met Openbare data voor gezondheid willen we de vooruitgang in de biowetenschappen en bij veel verschillende ziekten bevorderen door de totstandkoming en het behoud van hoogwaardige wetenschappelijke datasets te financieren en deze breed beschikbaar te stellen aan onderzoekers.

Wetenschappelijke data bestaan uit waarnemingen van de wereld om ons heen en vormen de basis voor onderzoek en ontdekkingen. Op gebieden waar doorbraken kunnen worden geverifieerd zonder nieuwe data te verzamelen, zoals in delen van de wiskunde, zijn AI-systemen onlangs begonnen bij te dragen⁠ aan nieuwe⁠ kennis⁠. In de biologie zijn AI-systemen ondertussen steeds beter in staat om biologische informatie op grote schaal te analyseren en zelfs uit onvolledig bewijs verborgen structuren te achterhalen, soms met een verbluffende efficiëntie.

We verwachten echter dat veel toekomstige doorbraken in de preventie en behandeling van ziekten zullen voortkomen uit de combinatie van de intelligentie van nieuwe modellen met meer waarnemingen van de wereld, oftewel meer data.

Sommige datasets met een enorme publieke waarde worden mogelijk nooit samengesteld of gedeeld, omdat geen enkele instelling voldoende reden of capaciteit heeft om ze te financieren. Daarom past het ondersteunen van openbare gezondheidsdata goed bij de OpenAI Foundation.

Onze eerste subsidies

We beginnen met de ondersteuning van een eerste groep non-profitorganisaties en universiteiten met meer dan $125 miljoen aan subsidies. Hun projecten bestrijken vele datalagen, van moleculen en epidemiologie tot kennis over regelgeving.

Hieronder staan enkele voorbeelden van projecten die we ondersteunen:

1. OpenADMET⁠ gaat open datasets, benchmarks en geblindeerde wedstrijden opzetten om te testen of AI-modellen kunnen leren voorspellen hoe kleine moleculen door het lichaam worden opgenomen en verspreid. Zo moet de ontwikkeling van geneesmiddelen voorspelbaarder worden en het uitvalpercentage van nieuwe geneesmiddelen dalen.

   90% van de kandidaat-geneesmiddelen valt af tijdens klinische onderzoeken⁠. Dat komt vaak doordat moeilijk te voorspellen is hoe ze worden opgenomen en zich door het lichaam verplaatsen: hun "ADMET-eigenschappen"⁠. Onopgeloste voorspellingsvraagstukken zoals dit kunnen zeer geschikt zijn voor AI, mits hoogwaardige data worden gebruikt om de nauwkeurigheid van voorspellingen van verschillende modellen te toetsen. AlphaFold2 zorgde bijvoorbeeld voor een revolutie in de voorspelling van eiwitstructuren met data uit de Protein Data Bank⁠, tijdens een door CASP⁠ georganiseerde wedstrijd met andere modelleringsmethoden. Het voorspellen van eiwitstructuren maakt inmiddels deel uit van veel programma's voor geneesmiddelenonderzoek waarvan patiënten waarschijnlijk zullen profiteren.

   Om de ADMET-eigenschappen van kandidaat-geneesmiddelen beter te voorspellen, ontwikkelt het OpenADMET-team hoogwaardige datasets als basis voor nieuwe voorspellende modellen en organiseert het open uitdagingen waaraan onderzoekers wereldwijd kunnen deelnemen.

   

   "Geneesmiddelenonderzoek kent universele problemen die geen enkel bedrijf of academisch laboratorium dat een specifieke ziekte wil genezen alleen kan oplossen", aldus James Fraser, PhD, bestuurslid van OpenADMET en hoogleraar en afdelingsvoorzitter Bioengineering and Therapeutic Sciences aan UCSF. "OpenADMET is opgezet om deze problemen op een open en voor machinelearning geschikte manier aan te pakken. We zijn blij dat we de fundamentele laag kunnen bouwen waarmee AI de ontwikkeling van nieuwe behandelingen sterk kan versnellen."

2. CTD Commons⁠ gaat kennis over regelgeving uit mislukte geneesmiddelenprogramma's behouden en publiceren. Zo kunnen toekomstige teams leren van precedenten die doorgaans achter slot en grendel blijven en sneller effectieve behandelingen voor patiënten vinden.

   Een CTD, oftewel Common Technical Document, is een document waarin het volledige traject van een experimenteel geneesmiddel wordt vastgelegd: van toxicologisch dieronderzoek en productiedetails tot, wellicht het nuttigst, correspondentie met de FDA. Toch verschijnt slechts een klein deel van dat werk in gepubliceerde artikelen.

   CTD Commons gaat onderzoeken of CTD's van mislukte of stopgezette geneesmiddelenprogramma's kunnen worden verworven en stelt ze vrij beschikbaar voor onderzoek en analyse, zodat iedereen ze kan gebruiken.

   "Elke indiening bij de FDA vertegenwoordigt hard werk en offers van onderzoekers, beoordelaars en deelnemers aan onderzoeken. Zelfs wanneer deze inspanningen mislukken, mag de waardevolle informatie die ze opleveren niet verloren gaan", aldus Josh Morrison, hoofdorganisator van CTD Commons en voorzitter van 1Day Sooner. "CTD Commons zal dubbel werk en kosten verminderen en de impact van klinisch onderzoek maximaliseren."

3. UNC⁠ richt het Initiative for Generative Immunotherapy op en stelt openbare, multimodale data samen. Zo helpt UNC een toekomst dichterbij te brengen waarin kankerpatiënten kort na hun diagnose een gepersonaliseerd kankervaccin kunnen krijgen.

   De huidige kankervaccins op basis van "neoantigenen" behoren tot de weinige geneesmiddelen die voor elke patiënt afzonderlijk computationeel worden ontworpen. Daarvoor wordt een tumorcel gesequencet om te voorspellen welke tumorspecifieke doelwitten zich op het celoppervlak bevinden. Maar die sequencing is zelf slechts een benadering van de werkelijkheid, omdat het moeilijk en duur is om de doelwitten op het celoppervlak rechtstreeks te meten en bovendien te bepalen hoe sterk het immuunsysteem van een patiënt op elk van die eiwitten reageert.

   UNC gaat deze ontbrekende schakels in kaart brengen voor honderden tumoren en meerdere soorten kanker. Zo ontstaat een van de eerste trainings- en evaluatiedatasets op dit gebied, met gedeïdentificeerde openbare data waarop onderzoekers wereldwijd kunnen voortbouwen.

   "Gepersonaliseerde kankervaccins beginnen eindelijk tekenen van klinische werkzaamheid te vertonen, maar er zijn nog lacunes die met het traditionele model voor therapieontwikkeling mogelijk pas over tientallen jaren worden opgevuld. Hoogwaardige data kunnen ons helpen die lacunes sneller te dichten", aldus Alex Rubinsteyn, PhD, universitair docent genetica aan de UNC School of Medicine. "We zijn enthousiast dat we dit traject kunnen verkorten en breed werkzame gepersonaliseerde immuuntherapieën werkelijkheid kunnen helpen maken."

   

Onze eerste strategie

We verwachten dat dit gedeelte vooral relevant is voor onderzoekers die belangstelling hebben voor toekomstige subsidiemogelijkheden van de OpenAI Foundation.

Er zijn veel meer waardevolle wetenschappelijke data te verzamelen dan één financier kan ondersteunen. Daarom willen we de onderzoeksgemeenschap hier meer vertellen over de soorten data waarbij steun van de OpenAI Foundation volgens ons het nuttigst kan zijn.

Onze eerste hypothesen over de data waarop we ons moeten richten zijn: verbonden data, schaarse data en directe data. De datasets die we financieren hebben doorgaans een of twee van deze hieronder nader beschreven eigenschappen. In zeldzame gevallen hebben ze ze alle drie.

Voor alle datasets geldt dat het volgens ons steeds belangrijker wordt om data breed toegankelijk te maken en daarbij de privacy te waarborgen wanneer het om patiëntgegevens gaat. Zo kunnen onderzoekers voortbouwen op elkaars werk en kan wetenschappelijke vooruitgang uit onverwachte hoek komen.

1. Verbonden data: biologie volgen over meerdere stappen

   Biologie speelt zich op verschillende schaalniveaus af, maar de meeste biowetenschappelijke datasets leggen slechts één deel van de werkelijkheid vast. Een celatlas kan moleculen in duizenden cellen meten, terwijl beeldvorming van afzonderlijke moleculen slechts één cel volgt. Beide perspectieven zijn waardevol, maar omdat zulke datasets meestal onafhankelijk van elkaar worden samengesteld, kan jarenlang vervolgonderzoek nodig zijn om te bepalen hoe wetenschappelijke resultaten zich tot elkaar verhouden. We willen afzonderlijke onderzoeksteams ondersteunen om doelbewust tussen deze schaalniveaus te bewegen en rijke, verbonden datasets te creëren waarvan de verschillende lagen elkaar versterken.

   Onze subsidie aan UCSF stelt het OpenADMET-team bijvoorbeeld in staat om belangrijke moleculaire eigenschappen en interacties van tienduizenden verbindingen te meten. Vervolgens verbindt het team dit brede profiel aan twee perspectieven op geneesmiddeltransport: experimenteel bepaalde structuren van transporteiwitten waaraan geselecteerde moleculen zijn gebonden, en tests die meten hoe deze eiwitten functioneel met de moleculen interageren. Tot slot testen ze een deel van deze verbindingen in modellen van de menselijke bloed-hersenbarrière en vergelijken ze de resultaten met in-vivometingen bij dieren.

   Deze manier van dataverzameling levert een uitzonderlijk compleet beeld op van wat bepaalt hoe een geneesmiddel zich door het lichaam verplaatst. Daarmee kunnen AI-modellen betere voorspellingen doen op het niveau dat voor mensen relevant is.

2. Schaarse data: behouden wat niet opnieuw kan worden gecreëerd

   Geen enkele toekomstige AI kan, hoe geavanceerd ook, teruggaan in de tijd om biologische gebeurtenissen op specifieke, unieke momenten waar te nemen, zoals doodsoorzaken en oorzaken van slechte gezondheid in landen zonder betrouwbare bevolkingsstatistieken, of de inhoud van biologische patiëntmonsters op specifieke momenten die inmiddels voorbij zijn. De biologie kent veel van zulke onomkeerbare momenten, en toekomstige modelontwikkelaars vinden mogelijk toepassingen voor dit bewijs die onderzoekers nu nog niet kunnen voorzien. Daarom zijn we vooral geïnteresseerd in voorstellen om waardevolle data te verzamelen of te behouden voordat de kans verdwijnt, of om bestaande private datasets die nooit opnieuw kunnen worden samengesteld breed beschikbaar te maken, met respect voor privacy en individuele toestemming.

   Onze subsidie aan CTD Commons wordt bijvoorbeeld gebruikt om te onderzoeken of dossiers van mislukte geneesmiddelenprogramma's kunnen worden gered voordat bedrijven sluiten en de dossiers verdwijnen. Op korte termijn kunnen deze documenten teams in een vroege fase van de geneesmiddelenontwikkeling inzicht geven in wat toezichthouders van vergelijkbare producten hebben geëist, zodat ze dit niet via kostbare trial-and-error hoeven te ontdekken. Op lange termijn kunnen de documenten dienen als bron voor machinelearningsystemen die patronen ontdekken in de redenen waarom geneesmiddelen mislukken of slagen. Dat kan verbeteringen in regelgeving of onderzoeksstrategieën inluiden, zodat patiënten eerder van nieuwe behandelingen profiteren.

3. Directe data: biologische en klinische toestanden meten die het dichtst liggen bij wat ertoe doet

   Gedurende een groot deel van haar geschiedenis heeft de biologie gemeten wat gemakkelijk of goedkoop te meten was. Zo werden bijvoorbeeld liever gegevens van afzonderlijke cellen gemeten dan klinische gegevens van mensen, en RNA-expressie in plaats van eiwitten. Deze benaderingen zijn enorm nuttig geweest, maar kunnen ook los komen te staan van de doelen om biologie te begrijpen en ziekten te voorkomen en behandelen. In zulke gevallen willen we onderzoekers de middelen geven om datasets samen te stellen die meten wat het belangrijkst is. Het kan ook zijn dat de benodigde instrumenten om de "biologische waarheid" te meten nog niet bestaan, of onbetaalbaar zijn voor grootschalig gebruik. Binnen dit programma hopen we beide initiatieven te ondersteunen: nieuwe data én nieuwe hulpmiddelen.

   Onze subsidie aan UNC voor de oprichting van het Initiative for Generative Immunotherapy stelt het team van UNC Lineberger en UNC Health bijvoorbeeld in staat om de op mensen gebaseerde data te produceren die nodig zijn om de volgende generatie kankervaccins te verbeteren. Dat betekent dat zowel de oppervlakte-eiwitten van tumorcellen als de T-celreacties van patiënten rechtstreeks worden gemeten, in plaats van "alleen" de tumor te sequencen. Het produceren van deze data is duur. Door het nu grondig te doen en de resultaten openbaar te maken, hopen we dat alle toekomstige initiatieven rond kankervaccins ervan kunnen profiteren. Als dit project slaagt, kunnen toekomstige kandidaat-vaccins vooral met een sterkere reeks doelwitten worden getest bij mensen. Dat moet de kans vergroten dat ze werken en ervoor zorgen dat er meer kan worden geleerd wanneer ze niet werken.

Data toegankelijk maken voor onderzoekers

Tot slot zorgen we er bij al onze subsidies voor dat de resulterende datasets zo toegankelijk mogelijk zijn voor onderzoekers wereldwijd.

Gedurende een groot deel van de wetenschappelijke geschiedenis vormde het toetsen van hypothesen het belangrijkste knelpunt voor ontdekkingen. Er was maar een beperkte hoeveelheid "denkkracht" beschikbaar om problemen aan te pakken: een vast aantal promovendi en beroepswetenschappers die rondom een probleem data genereerden en analyseerden. De voortdurende vooruitgang van AI op het gebied van programmeren en data-analyse haalt die aanname onderuit. Data-analyse kan veel beter schaalbaar worden, waarbij inzichten voortkomen uit samenwerkingen die moeilijk te voorzien zijn wanneer de data worden gegenereerd.

Onze missie is ervoor te zorgen dat kunstmatige algemene intelligentie de hele mensheid ten goede komt. Wetenschappelijke data die met onze steun tot stand komen, moeten breed beschikbaar worden gesteld. Wanneer daarbij gegevens van mensen betrokken zijn, moeten hun privacy en toestemming worden gewaarborgd. Maar toegankelijkheid gaat verder dan alleen het vrijgeven van de ruwe data. We moedigen subsidieontvangers aan hun analyses als preprints te publiceren, regelmatig data te delen in plaats van pas aan het einde en, als hun data niet "verbonden" zijn, samen te werken met gebruikers van de data om het nut ervan voor biologisch relevante vraagstukken te beoordelen.

Iteratief leren

In dit bericht beschrijven we onze eerste koers voor Openbare data voor gezondheid. We stellen onze visie voortdurend bij op basis van de vooruitgang in wetenschap en AI en gesprekken met anderen in de onderzoeksgemeenschap.

Heb je ideeën voor Openbare data voor gezondheid? Neem dan contact met ons op via [email protected]⁠. Je kunt je hier⁠ aanmelden voor onze nieuwsbrief met toekomstige updates over onze programma's en financiering.

Lijkt het je interessant om je fulltime bezig te houden met vraagstukken zoals die in dit bericht? We werven momenteel mensen voor vier openstaande functies⁠ binnen het team Life Sciences and Curing Diseases.