Public Data for Health
ਅਪ੍ਰੈਲ ਵਿੱਚ, ਅਸੀਂ AI for Alzheimer’s ਲਾਂਚ ਕੀਤਾ ਸੀ, ਜੋ ਜੀਵਨ ਵਿਗਿਆਨ ਅਤੇ ਰੋਗਾਂ ਦਾ ਇਲਾਜ ਵਿੱਚ OpenAI Foundation ਦਾ ਪਹਿਲਾ ਪ੍ਰੋਗਰਾਮ ਹੈ. ਅੱਜ ਅਸੀਂ ਆਪਣਾ ਦੂਜਾ ਵਿਗਿਆਨ ਪ੍ਰੋਗਰਾਮ ਪੇਸ਼ ਕਰ ਰਹੇ ਹਾਂ: Public Data for Health.
ਅਲਜ਼ਾਈਮਰ ਲਈ AI ਵਿੱਚ ਸਾਡਾ ਧਿਆਨ ਇੱਕ ਅਜਿਹੀ ਬਿਮਾਰੀ ਨਾਲ ਨਜਿੱਠਣ ਉੱਤੇ ਹੈ ਜੋ ਬਹੁਤ ਸਾਰੇ ਪਰਿਵਾਰਾਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦੀ ਹੈ ਅਤੇ ਜਿਸ ਲਈ ਸਾਡਾ ਮੰਨਣਾ ਹੈ ਕਿ AI ਵਿਗਿਆਨੀਆਂ ਨੂੰ ਬਿਹਤਰ ਇਲਾਜ ਵਿਕਸਿਤ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦੀ ਹੈ. Public Data for Health ਵਿੱਚ ਸਾਡਾ ਧਿਆਨ ਖੋਜਕਾਰਾਂ ਲਈ ਵਿਆਪਕ ਤੌਰ ਉੱਤੇ ਉਪਲਬਧ ਉੱਚ-ਗੁਣਵੱਤਾ ਵਾਲੇ ਵਿਗਿਆਨਕ ਡਾਟਾਸੈੱਟ ਬਣਾਉਣ ਅਤੇ ਸੰਭਾਲਣ ਲਈ ਫੰਡ ਦੇ ਕੇ ਜੀਵਨ ਵਿਗਿਆਨ ਵਿੱਚ ਕਈ ਬਿਮਾਰੀਆਂ ਬਾਰੇ ਤਰੱਕੀ ਸੰਭਵ ਬਣਾਉਣ ਉੱਤੇ ਹੈ.
ਵਿਗਿਆਨਕ ਡਾਟਾ ਸਾਡੇ ਆਲੇ-ਦੁਆਲੇ ਦੀ ਦੁਨੀਆ ਬਾਰੇ ਨਿਰੀਖਣ ਹੁੰਦੇ ਹਨ ਅਤੇ ਖੋਜ ਤੇ ਨਵੀਆਂ ਲੱਭਤਾਂ ਦਾ ਬੁਨਿਆਦੀ ਆਧਾਰ ਹਨ. ਜਿਨ੍ਹਾਂ ਖੇਤਰਾਂ ਵਿੱਚ ਨਵਾਂ ਡਾਟਾ ਇਕੱਠਾ ਕੀਤੇ ਬਿਨਾਂ ਸਫਲਤਾਵਾਂ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ, ਜਿਵੇਂ ਗਣਿਤ ਦੇ ਕੁਝ ਹਿੱਸੇ, ਉੱਥੇ AI ਪ੍ਰਣਾਲੀਆਂ ਨੇ ਹਾਲ ਹੀ ਵਿੱਚ ਨਵਾਂ ਗਿਆਨ ਸਿਰਜਣ ਵਿੱਚ ਯੋਗਦਾਨ ਪਾਉਣਾ ਸ਼ੁਰੂ ਕਰ ਦਿੱਤਾ ਹੈ. ਇਸ ਦੌਰਾਨ ਜੀਵ ਵਿਗਿਆਨ ਵਿੱਚ AI ਪ੍ਰਣਾਲੀਆਂ ਵੱਡੇ ਪੱਧਰ ਉੱਤੇ ਜੈਵਿਕ ਜਾਣਕਾਰੀ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਅਤੇ ਅਧੂਰੇ ਸਬੂਤਾਂ ਵਿੱਚੋਂ ਵੀ ਲੁਕੀ ਹੋਈ ਬਣਤਰ ਲੱਭਣ ਦੇ ਲਗਾਤਾਰ ਵਧੇਰੇ ਸਮਰੱਥ ਹੋ ਰਹੀਆਂ ਹਨ, ਕਈ ਵਾਰ ਹੈਰਾਨੀਜਨਕ ਕੁਸ਼ਲਤਾ ਨਾਲ.
ਹਾਲਾਂਕਿ, ਸਾਨੂੰ ਉਮੀਦ ਹੈ ਕਿ ਬਿਮਾਰੀਆਂ ਦੀ ਰੋਕਥਾਮ ਅਤੇ ਇਲਾਜ ਵਿੱਚ ਬਾਕੀ ਰਹਿ ਗਈਆਂ ਕਈ ਮਹੱਤਵਪੂਰਨ ਪ੍ਰਗਤੀਆਂ ਨਵੇਂ ਮਾਡਲਾਂ ਦੀ ਇੰਟੈਲੀਜੈਂਸ ਨੂੰ ਦੁਨੀਆ ਬਾਰੇ ਹੋਰ ਨਿਰੀਖਣਾਂ ਨਾਲ ਜੋੜਨ ਤੋਂ ਆਉਣਗੀਆਂ—ਦੂਜੇ ਸ਼ਬਦਾਂ ਵਿੱਚ, ਹੋਰ ਡਾਟਾ ਤੋਂ.
ਜਨਤਾ ਲਈ ਬਹੁਤ ਮਹੱਤਵ ਰੱਖਣ ਵਾਲੇ ਕੁਝ ਡਾਟਾਸੈੱਟ ਸ਼ਾਇਦ ਕਦੇ ਬਣਾਏ ਜਾਂ ਸਾਂਝੇ ਨਾ ਕੀਤੇ ਜਾਣ, ਕਿਉਂਕਿ ਕਿਸੇ ਵੀ ਇੱਕ ਸੰਸਥਾ ਕੋਲ ਉਹਨਾਂਂ ਨੂੰ ਫੰਡ ਦੇਣ ਲਈ ਲੋੜੀਂਦਾ ਉਤਸ਼ਾਹ ਜਾਂ ਸਮਰੱਥਾ ਨਹੀਂ ਹੈ. ਇਸੇ ਕਰਕੇ public data for health ਦਾ ਸਮਰਥਨ ਕਰਨਾ OpenAI Foundation ਲਈ ਬਹੁਤ ਢੁਕਵਾਂ ਹੈ.
ਸਾਡੀਆਂ ਸ਼ੁਰੂਆਤੀ ਗ੍ਰਾਂਟਾਂ
ਅਸੀਂ ਗੈਰ-ਮੁਨਾਫ਼ਾ ਸੰਸਥਾਵਾਂ ਅਤੇ ਯੂਨੀਵਰਸਿਟੀਆਂ ਦੇ ਪਹਿਲੇ ਸਮੂਹ ਨੂੰ $125 ਮਿਲੀਅਨ ਡਾਲਰ ਤੋਂ ਵੱਧ ਦੀਆਂ ਗ੍ਰਾਂਟਾਂ ਦੇ ਕੇ ਸ਼ੁਰੂਆਤ ਕਰ ਰਹੇ ਹਾਂ. ਇਹ ਡਾਟਾ ਦੀਆਂ ਕਈ ਪਰਤਾਂ ਨੂੰ ਸਮੇਟਦਾ ਹੈ, ਅਣੂਆਂ ਤੋਂ ਲੈ ਕੇ ਮਹਾਮਾਰੀ ਵਿਗਿਆਨ ਅਤੇ ਨਿਯਾਮਕ ਗਿਆਨ ਤੱਕ.
ਇੱਥੇ ਉਹਨਾਂ ਪ੍ਰੋਜੈਕਟਾਂ ਦੀਆਂ ਕੁਝ ਮਿਸਾਲਾਂ ਹਨ ਜਿਨ੍ਹਾਂ ਦਾ ਅਸੀਂ ਸਮਰਥਨ ਕਰ ਰਹੇ ਹਾਂ:
OpenADMET ਓਪਨ ਡਾਟਾਸੈੱਟ, ਬੈਂਚਮਾਰਕ ਅਤੇ ਗੁਪਤ ਮੁਕਾਬਲੇ ਬਣਾਏਗਾ, ਤਾਂ ਜੋ ਜਾਂਚਿਆ ਜਾ ਸਕੇ ਕਿ ਕੀ AI ਮਾਡਲਾਂ ਨੂੰ ਇਹ ਅਨੁਮਾਨ ਲਗਾਉਣ ਲਈ ਸਿਖਾਇਆ ਜਾ ਸਕਦਾ ਹੈ ਕਿ ਛੋਟੇ ਅਣੂ ਸਰੀਰ ਵਿੱਚ ਕਿਵੇਂ ਜਜ਼ਬ ਅਤੇ ਵੰਡੇ ਜਾਂਦੇ ਹਨ. ਇਸ ਨਾਲ ਦਵਾਈ ਵਿਕਾਸ ਵਧੇਰੇ ਅਨੁਮਾਨਯੋਗ ਬਣੇਗਾ ਅਤੇ ਨਵੀਆਂ ਦਵਾਈਆਂ ਦੀ ਅਸਫਲਤਾ ਦਰ ਘਟੇਗੀ.
ਦਵਾਈ ਦੇ 90% ਉਮੀਦਵਾਰ ਕਲੀਨਿਕਲ ਟ੍ਰਾਇਲਾਂ ਵਿੱਚ ਅਸਫਲ ਹੋ ਜਾਂਦੇ ਹਨ. ਇਸ ਦਾ ਕਾਰਨ ਅਕਸਰ ਇਹ ਅਨੁਮਾਨ ਲਗਾਉਣ ਦੀ ਮੁਸ਼ਕਲ ਹੁੰਦੀ ਹੈ ਕਿ ਉਹ ਸਰੀਰ ਵਿੱਚ ਕਿਵੇਂ ਜਜ਼ਬ ਹੋਣਗੇ ਅਤੇ ਇੱਕ ਤੋਂ ਦੂਜੀ ਥਾਂ ਕਿਵੇਂ ਜਾਣਗੇ, ਭਾਵ ਉਹਨਾਂ ਦੇ “ADMET” ਗੁਣ. ਇਸ ਤਰ੍ਹਾਂ ਦੀਆਂ ਅਣਸੁਲਝੀਆਂ ਅਨੁਮਾਨੀ ਚੁਣੌਤੀਆਂ AI ਲਈ ਢੁਕਵੀਆਂ ਹੋ ਸਕਦੀਆਂ ਹਨ, ਜੇ ਵੱਖ-ਵੱਖ ਮਾਡਲਾਂ ਦੇ ਅਨੁਮਾਨਾਂ ਦੀ ਸਟੀਕਤਾ ਪਰਖਣ ਲਈ ਉਨ੍ਹਾਂ ਨੂੰ ਉੱਚ-ਗੁਣਵੱਤਾ ਵਾਲੇ ਡਾਟੇ ਨਾਲ ਜੋੜਿਆ ਜਾਵੇ. ਮਿਸਾਲ ਵਜੋਂ, AlphaFold2 ਨੇ Protein Data Bank ਦੇ ਡਾਟੇ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਪ੍ਰੋਟੀਨ ਬਣਤਰ ਦੇ ਅਨੁਮਾਨ ਨੂੰ ਬਦਲ ਦਿੱਤਾ. ਇਹ CASP ਵੱਲੋਂ ਕਰਵਾਏ ਹੋਰ ਮਾਡਲਿੰਗ ਤਰੀਕਿਆਂ ਨਾਲ ਮੁਕਾਬਲੇ ਵਿੱਚ ਹੋਇਆ. ਹੁਣ ਪ੍ਰੋਟੀਨ ਬਣਤਰ ਦਾ ਅਨੁਮਾਨ ਦਵਾਈਆਂ ਦੀ ਖੋਜ ਦੇ ਕਈ ਪ੍ਰੋਗਰਾਮਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਹੈ, ਜਿਨ੍ਹਾਂ ਤੋਂ ਅੱਗੇ ਚੱਲ ਕੇ ਮਰੀਜ਼ਾਂ ਨੂੰ ਲਾਭ ਮਿਲਣ ਦੀ ਸੰਭਾਵਨਾ ਹੈ.
ਦਵਾਈ ਉਮੀਦਵਾਰਾਂ ਦੇ ADMET ਗੁਣਾਂ ਦਾ ਬਿਹਤਰ ਅਨੁਮਾਨ ਲਗਾਉਣ ਲਈ OpenADMET ਟੀਮ ਨਵੇਂ ਅਨੁਮਾਨੀ ਮਾਡਲਾਂ ਨੂੰ ਆਧਾਰ ਦੇਣ ਵਾਲੇ ਉੱਚ-ਗੁਣਵੱਤਾ ਡਾਟਾਸੈੱਟ ਵਿਕਸਿਤ ਕਰੇਗੀ ਅਤੇ ਖੁੱਲ੍ਹੀਆਂ ਚੁਣੌਤੀਆਂ ਕਰਵਾਏਗੀ, ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਦੁਨੀਆ ਭਰ ਦੇ ਖੋਜਕਾਰ ਹਿੱਸਾ ਲੈ ਸਕਣਗੇ.
ADMET ਅਨੁਮਾਨ ਚੁਣੌਤੀਆਂ ਦੇ ਭਾਗੀਦਾਰਾਂ ਲਈ ਹਾਲ ਹੀ ਵਿੱਚ ਕਰਵਾਏ OpenADMET ਸਮਾਗਮ ਵਿੱਚ ਪ੍ਰੈਜ਼ੈਂਟੇਸ਼ਨ. ਤਸਵੀਰ: ਨਾਓਮੀ ਹੈਂਡਲੀ.
UCSF ਵਿੱਚ ਬਾਇਓਇੰਜੀਨੀਅਰਿੰਗ ਅਤੇ ਥੈਰੇਪਿਊਟਿਕ ਵਿਗਿਆਨ ਦੇ ਪ੍ਰੋਫੈਸਰ ਤੇ ਵਿਭਾਗ ਮੁਖੀ ਅਤੇ OpenADMET ਗਵਰਨਿੰਗ ਬੋਰਡ ਦੇ ਮੈਂਬਰ ਜੇਮਜ਼ ਫ੍ਰੇਜ਼ਰ, ਪੀਐੱਚਡੀ, ਨੇ ਕਿਹਾ, “ਦਵਾਈਆਂ ਦੀ ਖੋਜ ਅਜਿਹੀਆਂ ਸਰਵਵਿਆਪੀ ਸਮੱਸਿਆਵਾਂਂ ਨਾਲ ਭਰੀ ਹੈ ਜਿਨ੍ਹਾਂ ਨੂੰ ਕਿਸੇ ਖ਼ਾਸ ਬਿਮਾਰੀ ਦਾ ਇਲਾਜ ਲੱਭਣ ਵਿੱਚ ਦਿਲਚਸਪੀ ਰੱਖਣ ਵਾਲੀ ਕੋਈ ਇੱਕ ਕੰਪਨੀ ਜਾਂ ਅਕਾਦਮਿਕ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਇਕੱਲੀ ਹੱਲ ਨਹੀਂ ਕਰ ਸਕਦੀ.” “OpenADMET ਇਹਨਾਂ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਖੁੱਲ੍ਹੇ ਅਤੇ ਮਸ਼ੀਨੀ ਸਿਖਲਾਈ ਲਈ ਤਿਆਰ ਢੰਗ ਨਾਲ ਹੱਲ ਕਰਨ ਵਾਸਤੇ ਬਣਾਇਆ ਗਿਆ ਸੀ. ਅਸੀਂ ਉਹ ਬੁਨਿਆਦੀ ਪਰਤ ਬਣਾਉਣ ਦੇ ਯੋਗ ਹੋਣ ਲਈ ਉਤਸ਼ਾਹਿਤ ਹਾਂ ਜੋ AI ਨੂੰ ਨਵੇਂ ਇਲਾਜਾਂ ਦੇ ਵਿਕਾਸ ਨੂੰ ਬਹੁਤ ਤੇਜ਼ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾਏਗੀ.”
CTD Commons ਅਸਫਲ ਦਵਾਈ ਵਿਕਾਸ ਪ੍ਰੋਗਰਾਮਾਂ ਤੋਂ ਮਿਲੇ ਨਿਯਾਮਕ ਗਿਆਨ ਨੂੰ ਸੰਭਾਲੇਗਾ ਅਤੇ ਪ੍ਰਕਾਸ਼ਿਤ ਕਰੇਗਾ, ਤਾਂ ਜੋ ਭਵਿੱਖ ਦੀਆਂ ਟੀਮਾਂ ਆਮ ਤੌਰ 'ਤੇ ਪਹੁੰਚ ਤੋਂ ਬਾਹਰ ਰੱਖੀ ਗਈ ਪਿਛਲੀ ਉਦਹਾਰਨ ਤੋਂ ਸਿੱਖ ਸਕਣ ਅਤੇ ਮਰੀਜ਼ਾਂ ਲਈ ਅਸਰਦਾਰ ਇਲਾਜ ਹੋਰ ਤੇਜ਼ੀ ਨਾਲ ਲੱਭਣ ਵਿੱਚ ਮਦਦ ਮਿਲ ਸਕੇ.
CTD, ਜਾਂ ਕੌਮਨ ਟੈਕਨੀਕਲ ਡੌਕੂਮੈਂਟ, ਇੱਕ ਅਜਿਹਾ ਦਸਤਾਵੇਜ਼ ਹੈ ਜੋ ਜਾਂਚ ਅਧੀਨ ਦਵਾਈ ਦੇ ਵਿਕਾਸ ਦੇ ਪੂਰੇ ਸਫ਼ਰ ਨੂੰ ਇਕੱਠਾ ਕਰਦਾ ਹੈ—ਜਾਨਵਰਾਂ ਵਿੱਚ ਜ਼ਹਿਰੀਲੇ ਪ੍ਰਭਾਵਾਂ ਦੇ ਅਧਿਐਨ, ਨਿਰਮਾਣ ਸੰਬੰਧੀ ਵੇਰਵਿਆਂ ਅਤੇ, ਸ਼ਾਇਦ ਸਭ ਤੋਂ ਉਪਯੋਗੀ ਤੌਰ 'ਤੇ, FDA ਨਾਲ ਪੱਤਰ-ਵਿਹਾਰ ਤੋਂ ਲੈ ਕੇ ਸਭ ਕੁਝ. ਫਿਰ ਵੀ, ਉਸ ਕੰਮ ਦਾ ਸਿਰਫ਼ ਇੱਕ ਛੋਟਾ ਜਿਹਾ ਹਿੱਸਾ ਹੀ ਪ੍ਰਕਾਸ਼ਿਤ ਖੋਜ-ਪੱਤਰਾਂ ਵਿੱਚ ਆਉਂਦਾ ਹੈ.
CTD Commons ਅਸਫਲ ਜਾਂ ਰੋਕੇ ਗਏ ਦਵਾਈ ਪ੍ਰੋਗਰਾਮਾਂ ਤੋਂ CTD ਹਾਸਲ ਕਰਨ ਦੀ ਸੰਭਾਵਨਾ ਪਰਖੇਗਾ ਅਤੇ ਉਨ੍ਹਾਂ ਨੂੰ ਖੋਜ ਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਸਭ ਵਾਸਤੇ ਖੁੱਲ੍ਹੇ ਤੌਰ ਉੱਤੇ ਉਪਲਬਧ ਕਰੇਗਾ.
CTD Commons ਦੇ ਮੁੱਖ ਪ੍ਰਬੰਧਕ ਅਤੇ 1Day Sooner ਦੇ ਪ੍ਰੈਜ਼ੀਡੈਂਟ ਜੋਸ਼ ਮੌਰਿਸਨ ਦੇ ਅਨੁਸਾਰ, “FDA ਕੋਲ ਕੀਤੀ ਹਰ ਸਪੁਰਦਗੀ ਖੋਜਕਾਰਾਂ, ਸਮੀਖਿਅਕਾਂ ਅਤੇ ਅਧਿਐਨ ਭਾਗੀਦਾਰਾਂ ਦੀ ਸਖ਼ਤ ਮਿਹਨਤ ਤੇ ਕੁਰਬਾਨੀਆਂ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ. ਇਹ ਕੋਸ਼ਿਸ਼ਾਂ ਅਸਫਲ ਹੋਣ ਉੱਤੇ ਵੀ ਇਹਨਾਂ ਤੋਂ ਪੈਦਾ ਹੋਈ ਕੀਮਤੀ ਜਾਣਕਾਰੀ ਵਿਅਰਥ ਨਹੀਂ ਜਾਣੀ ਚਾਹੀਦੀ.” “CTD Commons ਦੁਹਰਾਅ ਅਤੇ ਲਾਗਤ ਘਟਾਏਗਾ ਅਤੇ ਕਲੀਨਿਕਲ ਖੋਜ ਦਾ ਪ੍ਰਭਾਵ ਵੱਧ ਤੋਂ ਵੱਧ ਕਰੇਗਾ.”
UNC ਜਨਰੇਟਿਵ ਇਮਿਊਨੋਥੈਰੇਪੀ ਪਹਿਲ ਸਥਾਪਤ ਕਰੇਗੀ ਜਿਸ ਤਹਿਤ ਜਨਤਕ, ਮਲਟੀਮੋਡਲ ਡਾਟਾ ਤਿਆਰ ਕੀਤਾ ਜਾਵੇਗਾ, ਤਾਂ ਜੋ ਅਜਿਹੇ ਭਵਿੱਖ ਤੱਕ ਪਹੁੰਚਣ ਵਿੱਚ ਮਦਦ ਮਿਲ ਸਕੇ ਜਿੱਥੇ ਕੈਂਸਰ ਦੇ ਮਰੀਜ਼ਾਂ ਨੂੰ ਬਿਮਾਰੀ ਦੀ ਪਛਾਣ ਹੋਣ 'ਤੇ ਤੇਜ਼ੀ ਨਾਲ ਵਿਅਕਤੀਗਤ ਕੈਂਸਰ ਵੈਕਸੀਨ ਮਿਲ ਸਕੇ.
ਅੱਜ ਦੇ “ਨਿਓਐਂਟੀਜਨ” ਕੈਂਸਰ ਟੀਕੇ ਉਹਨਾਂ ਕੁਝ ਦਵਾਈਆਂ ਵਿੱਚੋਂ ਹਨ ਜੋ ਹਰੇਕ ਮਰੀਜ਼ ਲਈ ਕੰਪਿਊਟਰੀ ਢੰਗ ਨਾਲ ਤਿਆਰ ਕੀਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ. ਇਸ ਲਈ ਟਿਊਮਰ ਸੈੱਲ ਦੀ ਸੀਕਵੈਂਸਿੰਗ ਕਰਕੇ ਅਨੁਮਾਨ ਲਾਇਆ ਜਾਂਦਾ ਹੈ ਕਿ ਉਸ ਦੀ ਸਤ੍ਹਾ ਉੱਤੇ ਟਿਊਮਰ-ਵਿਸ਼ੇਸ਼ ਕਿਹੜੇ ਨਿਸ਼ਾਨੇ ਮੌਜੂਦ ਹਨ. ਪਰ ਇਹ ਸੀਕਵੈਂਸਿੰਗ ਆਪਣੇ ਆਪ ਵਿੱਚ ਹਕੀਕਤ ਦਾ ਇੱਕ ਅਸਿੱਧਾ ਸੰਕੇਤ ਹੈ, ਕਿਉਂਕਿ ਸੈੱਲ ਦੀ ਸਤ੍ਹਾ ਉੱਤੇ ਮੌਜੂਦ ਨਿਸ਼ਾਨਿਆਂ ਨੂੰ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਮਾਪਣਾ ਅਤੇ ਇਸ ਤੋਂ ਇਲਾਵਾ ਇਹ ਜਾਂਚਣਾ ਮੁਸ਼ਕਲ ਤੇ ਮਹਿੰਗਾ ਹੈ ਕਿ ਮਰੀਜ਼ ਦੀ ਰੋਗ-ਰੋਧਕ ਪ੍ਰਣਾਲੀ ਹਰੇਕ ਪ੍ਰੋਟੀਨ ਪ੍ਰਤੀ ਕਿੰਨੀ ਤੀਬਰ ਪ੍ਰਤੀਕਿਰਿਆ ਕਰਦੀ ਹੈ.
UNC ਸੈਂਕੜੇ ਟਿਊਮਰਾਂ ਅਤੇ ਕੈਂਸਰ ਦੀਆਂ ਕਈ ਵੱਖ-ਵੱਖ ਕਿਸਮਾਂ ਵਿੱਚ ਇਹਨਾਂ ਗੁੰਮ ਕੜੀਆਂ ਨੂੰ ਸਥਾਪਤ ਕਰੇਗੀ, ਜਿਸ ਨਾਲ ਇਸ ਖੇਤਰ ਵਿੱਚ ਪਹਿਲੀ ਸਿਖਲਾਈ ਅਤੇ ਮੁਲਾਂਕਣ ਡਾਟਾਸੈੱਟਾਂ ਵਿੱਚੋਂ ਇੱਕ ਤਿਆਰ ਹੋਵੇਗਾ. ਇਸ ਵਿੱਚ ਪਛਾਣ-ਰਹਿਤ ਪਬਲਿਕ ਡਾਟਾ ਹੋਵੇਗਾ, ਜਿਸ ਉੱਤੇ ਦੁਨੀਆ ਭਰ ਦੇ ਖੋਜਕਾਰ ਅੱਗੇ ਕੰਮ ਕਰ ਸਕਣਗੇ.
“ਵਿਅਕਤੀਗਤ ਕੈਂਸਰ ਟੀਕਿਆਂ ਵਿੱਚ ਆਖ਼ਰਕਾਰ ਕਲੀਨਿਕਲ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਦੇ ਸੰਕੇਤ ਦਿਖਾਈ ਦੇਣ ਲੱਗੇ ਹਨ, ਪਰ ਅਜੇ ਵੀ ਅਜਿਹੀਆਂ ਕਮੀਆਂ ਹਨ ਜਿਨ੍ਹਾਂ ਨੂੰ ਇਲਾਜ ਵਿਕਾਸ ਦੇ ਰਵਾਇਤੀ ਮਾਡਲ ਅਧੀਨ ਪੂਰਾ ਕਰਨ ਵਿੱਚ ਦਹਾਕੇ ਲੱਗ ਸਕਦੇ ਹਨ. ਉੱਚ-ਗੁਣਵੱਤਾ ਵਾਲਾ ਡਾਟਾ ਇਹ ਕਮੀਆਂ ਹੋਰ ਛੇਤੀ ਪੂਰੀਆਂ ਕਰਨ ਵਿੱਚ ਸਾਡੀ ਮਦਦ ਕਰ ਸਕਦਾ ਹੈ,” UNC ਸਕੂਲ ਆਫ਼ ਮੈਡੀਸਨ ਵਿੱਚ ਜੈਨੇਟਿਕਸ ਦੇ ਸਹਾਇਕ ਪ੍ਰੋਫੈਸਰ ਐਲੈਕਸ ਰੂਬਿਨਸਟੇਨ, ਪੀਐੱਚਡੀ, ਨੇ ਕਿਹਾ. “ਅਸੀਂ ਇਸ ਸਮਾਂ-ਮਿਆਦ ਨੂੰ ਘਟਾਉਣ ਅਤੇ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਵਿਅਕਤੀਗਤ ਰੋਗ-ਰੋਧਕ ਇਲਾਜਾਂ ਨੂੰ ਹਕੀਕਤ ਬਣਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰਨ ਲਈ ਉਤਸ਼ਾਹਿਤ ਹਾਂ.”
ਯੂਨੀਵਰਸਿਟੀ ਆਫ਼ ਨੌਰਥ ਕੈਰੋਲਾਈਨਾ ਵਿੱਚ ਵਿਅਕਤੀਗਤ ਕੈਂਸਰ ਟੀਕਿਆਂ ਉੱਤੇ ਕੰਮ ਕਰਦੇ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਮੈਂਬਰ. ਕ੍ਰੈਡਿਟ: UNC.
ਸਾਡੀ ਸ਼ੁਰੂਆਤੀ ਰਣਨੀਤੀ
ਸਾਨੂੰ ਉਮੀਦ ਹੈ ਕਿ ਇਹ ਭਾਗ OpenAI Foundation ਦੀਆਂ ਭਵਿੱਖੀ ਗ੍ਰਾਂਟਾਂ ਦੇ ਮੌਕਿਆਂ ਵਿੱਚ ਦਿਲਚਸਪੀ ਰੱਖਣ ਵਾਲੇ ਖੋਜਕਾਰਾਂ ਲਈ ਖ਼ਾਸ ਤੌਰ ਉੱਤੇ ਢੁਕਵਾਂ ਹੋਵੇਗਾ.
ਇਕੱਠਾ ਕਰਨ ਲਈ ਕੀਮਤੀ ਵਿਗਿਆਨਕ ਡਾਟਾ ਉਸ ਮਾਤਰਾ ਨਾਲੋਂ ਕਾਫ਼ੀ ਜ਼ਿਆਦਾ ਹੈ, ਜਿਸਦਾ ਕੋਈ ਇੱਕ ਫੰਡਦਾਤਾ ਸਮਰਥਨ ਕਰ ਸਕਦਾ ਹੈ. ਇਸ ਲਈ ਅਸੀਂ ਖੋਜ ਭਾਈਚਾਰੇ ਨਾਲ ਉਨ੍ਹਾਂ ਡਾਟਾ ਕਿਸਮਾਂ ਬਾਰੇ ਹੋਰ ਜਾਣਕਾਰੀ ਸਾਂਝੀ ਕਰਨੀ ਚਾਹੁੰਦੇ ਹਾਂ, ਜਿੱਥੇ ਸਾਡੇ ਵਿਚਾਰ ਵਿੱਚ OpenAI Foundation ਦਾ ਸਮਰਥਨ ਸਭ ਤੋਂ ਵੱਧ ਉਪਯੋਗੀ ਹੋ ਸਕਦਾ ਹੈ.
ਡਾਟੇ ਬਾਰੇ ਸਾਡੀਆਂ ਸ਼ੁਰੂਆਤੀ ਪਰਿਕਲਪਨਾਵਾਂ ਇਹਨਾਂ ਉੱਤੇ ਕੇਂਦਰਿਤ ਹਨ: ਕਨੈੱਕਟਿਡ ਡਾਟਾ, ਦੁਰਲੱਭ ਡਾਟਾ ਅਤੇ ਸਿੱਧਾ ਡਾਟਾ. ਸਾਡੇ ਵੱਲੋਂ ਫੰਡ ਕੀਤੇ ਡਾਟਾਸੈੱਟਾਂ ਵਿੱਚ ਆਮ ਤੌਰ ਉੱਤੇ ਇਹਨਾਂ ਵਿੱਚੋਂ ਇੱਕ ਜਾਂ ਦੋ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਹੋਣਗੀਆਂ, ਜਿਨ੍ਹਾਂ ਦਾ ਹੇਠਾਂ ਹੋਰ ਵਿਸਥਾਰ ਨਾਲ ਵਰਣਨ ਕੀਤਾ ਗਿਆ ਹੈ. ਬਹੁਤ ਘੱਟ ਮਾਮਲਿਆਂ ਵਿੱਚ ਤਿੰਨੇ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਸਾਂਝੀਆਂ ਹੋਣਗੀਆਂ.
ਸਾਰੇ ਡਾਟਾਸੈੱਟਾਂ ਲਈ ਸਾਡਾ ਮੰਨਣਾ ਹੈ ਕਿ ਡਾਟੇ ਨੂੰ ਵਿਆਪਕ ਤੌਰ ਉੱਤੇ ਪਹੁੰਚਯੋਗ ਬਣਾਉਣਾ ਅਤੇ ਮਰੀਜ਼ਾਂ ਦੇ ਡਾਟੇ ਨਾਲ ਸੰਬੰਧਿਤ ਮਾਮਲਿਆਂ ਵਿੱਚ ਨਿੱਜਤਾ ਯਕੀਨੀ ਬਣਾਉਣਾ ਲਗਾਤਾਰ ਵਧੇਰੇ ਮਹੱਤਵਪੂਰਨ ਹੋਵੇਗਾ. ਇਸ ਨਾਲ ਖੋਜਕਾਰ ਇੱਕ-ਦੂਜੇ ਦੇ ਕੰਮ ਨੂੰ ਅੱਗੇ ਵਧਾ ਸਕਣਗੇ ਅਤੇ ਅਣਕਿਆਸੀਆਂ ਥਾਵਾਂ ਤੋਂ ਵਿਗਿਆਨਕ ਪ੍ਰਗਤੀ ਸਾਹਮਣੇ ਆ ਸਕੇਗੀ.
ਕਨੈਕਟਿਡ ਡਾਟਾ: ਕਈ ਪੜਾਵਾਂ ਵਿੱਚ ਜੀਵ ਵਿਗਿਆਨ ਦਾ ਅਧਿਐਨ ਕਰਨਾ
ਜੀਵ ਵਿਗਿਆਨ ਵੱਖ-ਵੱਖ ਪੈਮਾਨਿਆਂ ਉੱਤੇ ਪ੍ਰਗਟ ਹੁੰਦਾ ਹੈ, ਪਰ ਜੀਵਨ ਵਿਗਿਆਨ ਦੇ ਜ਼ਿਆਦਾਤਰ ਡਾਟਾਸੈੱਟ ਹਕੀਕਤ ਦਾ ਸਿਰਫ਼ ਇੱਕ ਹਿੱਸਾ ਦਰਜ ਕਰਦੇ ਹਨ. ਇੱਕ ਸੈੱਲ ਨਕਸ਼ਾ ਹਜ਼ਾਰਾਂ ਸੈੱਲਾਂ ਵਿਚਲੇ ਅਣੂਆਂ ਨੂੰ ਮਾਪ ਸਕਦਾ ਹੈ, ਜਦਕਿ ਇਕਹਿਰਾ ਅਣੂ ਇਮੇਜ਼ਿੰਗ ਸਿਰਫ਼ ਇੱਕ ਸੈੱਲ ਦਾ ਨਿਰੀਖਣ ਕਰਦੀ ਹੈ. ਦੋਵੇਂ ਨਜ਼ਰੀਏ ਕੀਮਤੀ ਹਨ, ਪਰ ਕਿਉਂਕਿ ਅਜਿਹੇ ਡਾਟਾਸੈੱਟ ਆਮ ਤੌਰ 'ਤੇ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਬਣਾਏ ਜਾਂਦੇ ਹਨ, ਇਸ ਲਈ ਇਹ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਕਈ ਸਾਲਾਂ ਦਾ ਅਗਲਾ ਕੰਮ ਲੱਗ ਸਕਦਾ ਹੈ ਕਿ ਵਿਗਿਆਨਕ ਨਤੀਜੇ ਆਪਸ ਵਿੱਚ ਕਿਵੇਂ ਜੁੜਦੇ ਹਨ. ਅਸੀਂ ਵਿਅਕਤੀਗਤ ਖੋਜ ਟੀਮਾਂ ਦਾ ਸਮਰਥਨ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹਾਂ ਤਾਂ ਜੋ ਉਹ ਇਹਨਾਂ ਪੈਮਾਨਿਆਂ ਵਿਚਕਾਰ ਯੋਜਨਾਬੱਧ ਢੰਗ ਨਾਲ ਕੰਮ ਕਰ ਸਕਣ ਅਤੇ ਅਜਿਹੇ ਭਰਪੂਰ, ਜੁੜੇ ਡਾਟਾਸੈੱਟ ਤਿਆਰ ਕਰ ਸਕਣ, ਜਿਨ੍ਹਾਂ ਦੀਆਂ ਵੱਖ-ਵੱਖ ਪਰਤਾਂ ਇੱਕ-ਦੂਜੇ ਨੂੰ ਮਜ਼ਬੂਤ ਕਰਨ.
ਮਿਸਾਲ ਵਜੋਂ, UCSF ਨੂੰ ਦਿੱਤੀ ਸਾਡੀ ਗ੍ਰਾਂਟ OpenADMET ਟੀਮ ਨੂੰ ਦਸਾਂ ਹਜ਼ਾਰਾਂ ਯੌਗਿਕਾਂ ਦੇ ਮੁੱਖ ਅਣਵੀ ਗੁਣ ਅਤੇ ਪਰਸਪਰ ਕਿਰਿਆਵਾਂ ਮਾਪਣ ਦੇ ਯੋਗ ਬਣਾਏਗੀ. ਫਿਰ ਟੀਮ ਇਸ ਵਿਆਪਕ ਪ੍ਰੋਫ਼ਾਈਲਿੰਗ ਨੂੰ ਦਵਾਈ ਦੀ ਆਵਾਜਾਈ ਦੇ ਦੋ ਨਜ਼ਰੀਆਂ ਨਾਲ ਜੋੜੇਗੀ: ਚੁਣੇ ਹੋਏ ਅਣੂਆਂ ਨਾਲ ਬੱਝੇ ਵਾਹਕ ਪ੍ਰੋਟੀਨਾਂ ਦੀਆਂ ਪ੍ਰਯੋਗ ਰਾਹੀਂ ਨਿਰਧਾਰਤ ਬਣਤਰਾਂ ਅਤੇ ਇਹ ਮਾਪਣ ਵਾਲੀਆਂ ਪਰਖਾਂ ਕਿ ਇਹ ਪ੍ਰੋਟੀਨ ਅਣੂਆਂ ਨਾਲ ਕਾਰਜਾਤਮਕ ਤੌਰ 'ਤੇ ਕਿਵੇਂ ਪਰਸਪਰ ਕਿਰਿਆ ਕਰਦੇ ਹਨ. ਅੰਤ ਵਿੱਚ, ਉਹ ਇਹਨਾਂ ਯੋਗਿਕਾਂ ਦੇ ਇੱਕ ਉਪ-ਸਮੂਹ ਨੂੰ ਮਨੁੱਖੀ ਖ਼ੂਨ-ਦਿਮਾਗ਼ ਰੁਕਾਵਟ ਦੇ ਮਾਡਲਾਂ ਵਿੱਚ ਪਰਖਣਗੇ ਅਤੇ ਨਤੀਜਿਆਂ ਦੀ ਜੀਵਤ ਜਾਨਵਰਾਂ ਵਿੱਚ ਕੀਤੇ ਮਾਪਾਂ ਨਾਲ ਤੁਲਨਾ ਕਰਨਗੇ.
ਡਾਟਾ ਇਕੱਠਾ ਕਰਨ ਦਾ ਇਹ ਤਰੀਕਾ ਇਸ ਗੱਲ ਦਾ ਅਸਾਧਾਰਨ ਤੌਰ 'ਤੇ ਸੰਪੂਰਨ ਵੇਰਵਾ ਤਿਆਰ ਕਰੇਗਾ ਕਿ ਸਰੀਰ ਵਿੱਚ ਦਵਾਈ ਦੀ ਗਤੀ ਨੂੰ ਕੀ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ—ਅਜਿਹਾ ਵੇਰਵਾ ਜੋ AI ਮਾਡਲਾਂ ਨੂੰ ਉਸ ਪੱਧਰ 'ਤੇ ਬਿਹਤਰ ਅਨੁਮਾਨ ਲਗਾਉਣ ਦੇ ਯੋਗ ਬਣਾਏਗਾ, ਜੋ ਸਾਡੇ ਮਨੁੱਖਾਂ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹੈ.
ਦੁਰਲੱਭ ਡਾਟਾ: ਉਸ ਚੀਜ਼ ਨੂੰ ਸੰਭਾਲਣਾ ਜੋ ਮੁੜ ਨਹੀਂ ਬਣਾਈ ਜਾ ਸਕਦੀ
ਭਵਿੱਖ ਦੀ ਕੋਈ ਵੀ AI, ਭਾਵੇਂ ਕਿੰਨੀ ਵੀ ਸਮਰੱਥ ਹੋਵੇ, ਸਮੇਂ ਵਿੱਚ ਪਿੱਛੇ ਜਾ ਕੇ ਖ਼ਾਸ ਅਤੇ ਵਿਲੱਖਣ ਪਲਾਂ ਉੱਤੇ ਵਾਪਰੀਆਂ ਜੈਵਿਕ ਘਟਨਾਵਾਂ ਦਾ ਨਿਰੀਖਣ ਨਹੀਂ ਕਰ ਸਕਦੀ. ਇਹਨਾਂ ਵਿੱਚ ਭਰੋਸੇਯੋਗ ਜੀਵਨ-ਅੰਕੜਿਆਂ ਤੋਂ ਵਾਂਝੇ ਦੇਸ਼ਾਂ ਵਿੱਚ ਮੌਤ ਅਤੇ ਮਾੜੀ ਸਿਹਤ ਦੇ ਕਾਰਨ ਜਾਂ ਹੁਣ ਬੀਤ ਚੁੱਕੇ ਖ਼ਾਸ ਪਲਾਂ ਉੱਤੇ ਮਰੀਜ਼ਾਂ ਤੋਂ ਲਏ ਜੈਵਿਕ ਨਮੂਨਿਆਂ ਦੀ ਸਮੱਗਰੀ ਸ਼ਾਮਲ ਹੈ. ਜੀਵ ਵਿਗਿਆਨ ਵਿੱਚ ਅਜਿਹੇ ਮੌਕੇ ਭਰੇ ਪਏ ਹਨ ਜਿੱਥੋਂ ਵਾਪਸੀ ਸੰਭਵ ਨਹੀਂ, ਅਤੇ ਭਵਿੱਖ ਦੇ ਮਾਡਲਕਾਰ ਇਹਨਾਂ ਪ੍ਰਮਾਣਾਂ ਦੇ ਅਜਿਹੇ ਉਪਯੋਗ ਲੱਭ ਸਕਦੇ ਹਨ ਜਿਨ੍ਹਾਂ ਦਾ ਖੋਜਕਾਰ ਅੱਜ ਅੰਦਾਜ਼ਾ ਨਹੀਂ ਲਾ ਸਕਦੇ. ਇਸ ਲਈ ਸਾਡੀ ਖ਼ਾਸ ਦਿਲਚਸਪੀ ਉਨ੍ਹਾਂ ਪ੍ਰਸਤਾਵਾਂ ਵਿੱਚ ਹੈ ਜੋ ਮੌਕਾ ਖ਼ਤਮ ਹੋਣ ਤੋਂ ਪਹਿਲਾਂ ਕੀਮਤੀ ਡਾਟਾ ਇਕੱਠਾ ਜਾਂ ਸੰਭਾਲਦੇ ਹਨ, ਜਾਂ ਨਿੱਜਤਾ ਅਤੇ ਵਿਅਕਤੀਗਤ ਸਹਿਮਤੀ ਦਾ ਸਤਿਕਾਰ ਕਰਦਿਆਂ ਅਜਿਹੇ ਮੌਜੂਦਾ ਨਿੱਜੀ ਡਾਟਾਸੈੱਟ ਵਿਆਪਕ ਤੌਰ ਉੱਤੇ ਉਪਲਬਧ ਕਰਦੇ ਹਨ ਜੋ ਮੁੜ ਕਦੇ ਨਹੀਂ ਬਣ ਸਕਣਗੇ.
ਮਿਸਾਲ ਵਜੋਂ, CTD Commons ਨੂੰ ਦਿੱਤੀ ਸਾਡੀ ਗ੍ਰਾਂਟ ਜਾਂਚੇਗੀ ਕਿ ਕੰਪਨੀਆਂ ਦੇ ਬੰਦ ਹੋਣ ਅਤੇ ਰਿਕਾਰਡ ਗੁੰਮ ਹੋਣ ਤੋਂ ਪਹਿਲਾਂ ਅਸਫਲ ਦਵਾਈ ਵਿਕਾਸ ਪ੍ਰੋਗਰਾਮਾਂ ਦੇ ਰਿਕਾਰਡ ਬਚਾਏ ਜਾ ਸਕਦੇ ਹਨ ਜਾਂ ਨਹੀਂ. ਥੋੜ੍ਹੇ ਸਮੇਂ ਵਿੱਚ ਇਹ ਦਸਤਾਵੇਜ਼ ਸ਼ੁਰੂਆਤੀ ਪੜਾਅ ਦੀਆਂ ਦਵਾਈ ਵਿਕਾਸ ਟੀਮਾਂ ਨੂੰ ਮਹਿੰਗੀ ਅਜ਼ਮਾਇਸ਼ ਅਤੇ ਗ਼ਲਤੀ ਰਾਹੀਂ ਸਿੱਖਣ ਦੀ ਬਜਾਏ ਇਹ ਸਮਝਣ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦੇ ਹਨ ਕਿ ਨਿਯਾਮਕਾਂ ਨੇ ਮਿਲਦੇ-ਜੁਲਦੇ ਉਤਪਾਦਾਂ ਤੋਂ ਕੀ ਮੰਗਿਆ ਸੀ. ਲੰਮੇ ਸਮੇਂ ਵਿੱਚ ਇਹ ਦਸਤਾਵੇਜ਼ ਮਸ਼ੀਨੀ ਸਿਖਲਾਈ ਪ੍ਰਣਾਲੀਆਂ ਲਈ ਇਹ ਪਤਾ ਲਗਾਉਣ ਦੇ ਸੰਸਾਧਨ ਬਣ ਸਕਦੇ ਹਨ ਕਿ ਦਵਾਈਆਂ ਕਿਉਂ ਅਸਫਲ ਜਾਂ ਸਫਲ ਹੁੰਦੀਆਂ ਹਨ. ਇਸ ਨਾਲ ਨਿਯਮਾਂ ਜਾਂ ਟ੍ਰਾਇਲ ਰਣਨੀਤੀਆਂ ਵਿੱਚ ਸੁਧਾਰ ਆ ਸਕਦੇ ਹਨ ਅਤੇ ਮਰੀਜ਼ਾਂ ਨੂੰ ਨਵੇਂ ਇਲਾਜਾਂ ਦਾ ਲਾਭ ਜਲਦੀ ਮਿਲ ਸਕਦਾ ਹੈ.
ਸਿੱਧਾ ਡਾਟਾ: ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਜੈਵਿਕ ਅਤੇ ਕਲੀਨਿਕਲ ਅਵਸਥਾਵਾਂ ਨੂੰ ਮਾਪਣਾ
ਜੀਵ ਵਿਗਿਆਨ ਨੇ ਆਪਣੇ ਇਤਿਹਾਸ ਦਾ ਵੱਡਾ ਹਿੱਸਾ ਉਹ ਚੀਜ਼ਾਂ ਮਾਪਣ ਵਿੱਚ ਲਾਇਆ ਹੈ ਜਿਨ੍ਹਾਂ ਨੂੰ ਮਾਪਣਾ ਸੌਖਾ ਜਾਂ ਸਸਤਾ ਸੀ. ਮਿਸਾਲ ਵਜੋਂ, ਮਨੁੱਖੀ ਕਲੀਨਿਕਲ ਡਾਟੇ ਦੀ ਥਾਂ ਵਿਅਕਤੀਗਤ ਸੈੱਲ ਡਾਟਾ ਜਾਂ ਪ੍ਰੋਟੀਨਾਂ ਦੀ ਥਾਂ RNA ਪ੍ਰਗਟਾਵਾ ਮਾਪਣਾ. ਇਹ ਅਸਿੱਧੇ ਸੰਕੇਤ ਬੇਹੱਦ ਉਪਯੋਗੀ ਰਹੇ ਹਨ, ਪਰ ਇਹ ਜੀਵ ਵਿਗਿਆਨ ਨੂੰ ਸਮਝਣ ਅਤੇ ਬਿਮਾਰੀ ਦੀ ਰੋਕਥਾਮ ਤੇ ਇਲਾਜ ਦੇ ਟੀਚਿਆਂ ਤੋਂ ਵੱਖ ਵੀ ਹੋ ਸਕਦੇ ਹਨ. ਅਜਿਹੇ ਮਾਮਲਿਆਂ ਵਿੱਚ ਅਸੀਂ ਖੋਜਕਾਰਾਂ ਨੂੰ ਉਹ ਸੰਸਾਧਨ ਦੇਣਾ ਚਾਹੁੰਦੇ ਹਾਂ ਜਿਨ੍ਹਾਂ ਨਾਲ ਉਹ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਚੀਜ਼ਾਂ ਨੂੰ ਮਾਪਣ ਵਾਲੇ ਡਾਟਾਸੈੱਟ ਤਿਆਰ ਕਰ ਸਕਣ. ਇਹ ਵੀ ਸੰਭਵ ਹੈ ਕਿ “ਜੈਵਿਕ ਸੱਚਾਈ” ਨੂੰ ਮਾਪਣ ਲਈ ਲੋੜੀਂਦੇ ਉਪਕਰਨ ਹਾਲੇ ਮੌਜੂਦ ਨਾ ਹੋਣ ਜਾਂ ਵੱਡੇ ਪੱਧਰ ਉੱਤੇ ਉਹਨਾਂ ਦੀ ਵਰਤੋਂ ਬਹੁਤ ਮਹਿੰਗੀ ਹੋਵੇ. ਇਸ ਪ੍ਰੋਗਰਾਮ ਅਧੀਨ ਅਸੀਂ ਦੋਵਾਂ ਕਿਸਮਾਂ ਦੀਆਂ ਪਹਿਲਕਦਮੀਆਂ, ਨਵੇਂ ਡਾਟੇ ਅਤੇ ਨਵੇਂ ਟੂਲਾਂ, ਦਾ ਸਮਰਥਨ ਕਰਨ ਦੀ ਉਮੀਦ ਕਰਦੇ ਹਾਂ.
ਮਿਸਾਲ ਵਜੋਂ, ਜਨਰੇਟਿਵ ਇਮਿਊਨੋਥੈਰੇਪੀ ਪਹਿਲ ਸਥਾਪਤ ਕਰਨ ਲਈ UNC ਨੂੰ ਦਿੱਤੀ ਸਾਡੀ ਗ੍ਰਾਂਟ UNC Lineberger ਅਤੇ UNC Health ਦੀ ਟੀਮ ਨੂੰ ਕੈਂਸਰ ਟੀਕਿਆਂ ਦੀ ਅਗਲੀ ਪੀੜ੍ਹੀ ਸੁਧਾਰਨ ਲਈ ਲੋੜੀਂਦਾ ਮਨੁੱਖੀ ਅਧਾਰ ਵਾਲਾ ਡਾਟਾ ਤਿਆਰ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾਏਗੀ. ਇਸ ਦਾ ਮਤਲਬ ਟਿਊਮਰ ਦਾ “ਸਿਰਫ਼” ਕ੍ਰਮ ਨਿਰਧਾਰਤ ਕਰਨ ਦੀ ਬਜਾਏ ਟਿਊਮਰ ਸੈੱਲਾਂ ਦੀ ਸਤ੍ਹਾ ਦੇ ਪ੍ਰੋਟੀਨਾਂ ਨੂੰ ਸਿੱਧੇ ਤੌਰ ਉੱਤੇ ਅਤੇ ਨਾਲ ਹੀ ਮਰੀਜ਼ਾਂ ਦੇ ਟੀ ਸੈੱਲਾਂ ਦੀਆਂ ਪ੍ਰਤੀਕਿਰਿਆਵਾਂ ਨੂੰ ਮਾਪਣਾ ਹੈ. ਇਹ ਡਾਟਾ ਬਣਾਉਣਾ ਮਹਿੰਗਾ ਹੈ. ਇਸ ਵਾਰ ਇਸ ਨੂੰ ਵਿਆਪਕ ਢੰਗ ਨਾਲ ਤਿਆਰ ਕਰਕੇ ਅਤੇ ਨਤੀਜੇ ਖੁੱਲ੍ਹੇ ਤੌਰ ਉੱਤੇ ਉਪਲਬਧ ਕਰਵਾ ਕੇ ਸਾਨੂੰ ਉਮੀਦ ਹੈ ਕਿ ਕੈਂਸਰ ਟੀਕਿਆਂ ਲਈ ਭਵਿੱਖ ਦੀਆਂ ਸਾਰੀਆਂ ਕੋਸ਼ਿਸ਼ਾਂ ਨੂੰ ਲਾਭ ਮਿਲੇਗਾ. ਖ਼ਾਸ ਤੌਰ ਉੱਤੇ, ਜੇ ਇਹ ਪ੍ਰੋਜੈਕਟ ਸਫਲ ਹੁੰਦਾ ਹੈ ਤਾਂ ਭਵਿੱਖ ਦੇ ਟੀਕਾ ਉਮੀਦਵਾਰ ਵਧੇਰੇ ਮਜ਼ਬੂਤ ਨਿਸ਼ਾਨਿਆਂ ਨਾਲ ਮਨੁੱਖਾਂ ਉੱਤੇ ਖੁਰਾਕੀ ਪਰਖ ਸ਼ੁਰੂ ਕਰ ਸਕਣਗੇ. ਇਸ ਨਾਲ ਉਨ੍ਹਾਂ ਦੇ ਅਸਰਦਾਰ ਹੋਣ ਦੀ ਸੰਭਾਵਨਾ ਵਧਣੀ ਚਾਹੀਦੀ ਹੈ ਅਤੇ ਅਸਫਲ ਹੋਣ ਉੱਤੇ ਉਹਨਾਂਂ ਤੋਂ ਮਿਲਣ ਵਾਲੀ ਸਿੱਖਿਆ ਵੀ ਵਧੇਗੀ.
ਖੋਜਕਾਰਾਂ ਲਈ ਡਾਟੇ ਦੀ ਪਹੁੰਚ ਯਕੀਨੀ ਬਣਾਉਣਾ
ਅੰਤ ਵਿੱਚ, ਆਪਣੀਆਂ ਸਾਰੀਆਂ ਗ੍ਰਾਂਟਾਂ ਰਾਹੀਂ ਅਸੀਂ ਇਹ ਯਕੀਨੀ ਬਣਾ ਰਹੇ ਹਾਂ ਕਿ ਨਤੀਜੇ ਵਜੋਂ ਤਿਆਰ ਹੋਣ ਵਾਲੇ ਡਾਟਾਸੈੱਟ ਦੁਨੀਆ ਭਰ ਦੇ ਖੋਜਕਾਰਾਂ ਲਈ ਵੱਧ ਤੋਂ ਵੱਧ ਪਹੁੰਚਯੋਗ ਹੋਣ।
ਵਿਗਿਆਨਕ ਇਤਿਹਾਸ ਦੇ ਵੱਡੇ ਹਿੱਸੇ ਦੌਰਾਨ ਪਰਿਕਲਪਨਾਵਾਂ ਦੀ ਜਾਂਚ ਨਵੀਆਂ ਲੱਭਤਾਂ ਦੇ ਰਾਹ ਵਿੱਚ ਮੁੱਖ ਰੁਕਾਵਟ ਰਹੀ ਹੈ. ਸਮੱਸਿਆਵਾਂ ਉੱਤੇ ਲਾਉਣ ਲਈ ਸਿਰਫ਼ ਇੱਕ ਹੱਦ ਤੱਕ ਹੀ “ਇੰਟੈਲੀਜੈਂਸ” ਉਪਲਬਧ ਸੀ, ਭਾਵ ਗਿਣਤੀ ਦੇ ਪੋਸਟ-ਗ੍ਰੈਜੂਏਟ ਵਿਦਿਆਰਥੀ ਅਤੇ ਪੇਸ਼ੇਵਰ ਵਿਗਿਆਨੀ, ਜੋ ਕਿਸੇ ਸਮੱਸਿਆ ਬਾਰੇ ਡਾਟਾ ਤਿਆਰ ਕਰਦੇ ਅਤੇ ਉਸ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦੇ ਸਨ. ਕੋਡ ਲਿਖਣ ਅਤੇ ਡਾਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ AI ਦੀ ਲਗਾਤਾਰ ਪ੍ਰਗਤੀ ਇਸ ਧਾਰਨਾ ਨੂੰ ਤੋੜਦੀ ਹੈ. ਡਾਟੇ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਬਹੁਤ ਵੱਡੇ ਪੱਧਰ ਉੱਤੇ ਕਰਨਾ ਸੰਭਵ ਹੋ ਸਕਦਾ ਹੈ ਅਤੇ ਅਜਿਹੇ ਸਹਿਯੋਗਾਂ ਤੋਂ ਨਵੀਆਂ ਸੂਝਾਂ ਮਿਲ ਸਕਦੀਆਂ ਹਨ ਜਿਨ੍ਹਾਂ ਦਾ ਡਾਟਾ ਬਣਾਉਣ ਵੇਲੇ ਅੰਦਾਜ਼ਾ ਲਾਉਣਾ ਮੁਸ਼ਕਲ ਹੁੰਦਾ ਹੈ.
ਸਾਡਾ ਉਦੇਸ਼ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣਾ ਹੈ ਕਿ ਆਰਟੀਫ਼ਿਸ਼ੀਅਲ ਜਨਰਲ ਇੰਟੈਲੀਜੈਂਸ ਸਾਰੀ ਮਨੁੱਖਤਾ ਲਈ ਲਾਭਕਾਰੀ ਹੋਵੇ. ਸਾਡੇ ਸਮਰਥਨ ਨਾਲ ਬਣਾਇਆ ਵਿਗਿਆਨਕ ਡਾਟਾ ਵਿਆਪਕ ਤੌਰ ਉੱਤੇ ਉਪਲਬਧ ਕਰਵਾਇਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ਅਤੇ ਜਿੱਥੇ ਵੀ ਮਨੁੱਖੀ ਡਾਟਾ ਸ਼ਾਮਲ ਹੋਵੇ, ਉੱਥੇ ਵਿਅਕਤੀਗਤ ਨਿੱਜਤਾ ਤੇ ਸਹਿਮਤੀ ਕਾਇਮ ਰੱਖੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ. ਪਰ ਪਹੁੰਚਯੋਗਤਾ ਸਿਰਫ਼ ਕੱਚਾ ਡਾਟਾ ਜਾਰੀ ਕਰਨ ਤੱਕ ਸੀਮਤ ਨਹੀਂ ਹੈ. ਅਸੀਂ ਗ੍ਰਾਂਟ ਪ੍ਰਾਪਤਕਰਤਾਵਾਂ ਨੂੰ ਆਪਣੇ ਵਿਸ਼ਲੇਸ਼ਣ ਪੂਰਵ-ਪ੍ਰਕਾਸ਼ਨਾਂ ਰਾਹੀਂ ਛਾਪਣ, ਸਿਰਫ਼ ਅੰਤ ਵਿੱਚ ਨਹੀਂ ਸਗੋਂ ਨਿਯਮਿਤ ਤੌਰ ਉੱਤੇ ਡਾਟਾ ਸਾਂਝਾ ਕਰਨ ਅਤੇ ਜੇ ਉਹਨਾਂ ਦਾ ਡਾਟਾ “ਕਨੈਕਟਿਡ” ਨਹੀਂ ਹੈ ਤਾਂ ਜੈਵਿਕ ਤੌਰ ਉੱਤੇ ਮਹੱਤਵਪੂਰਨ ਸਮੱਸਿਆਵਾਂ ਲਈ ਉਸ ਦੀ ਉਪਯੋਗਤਾ ਪਰਖਣ ਵਾਸਤੇ ਡਾਟਾ ਵਰਤੋਂਕਾਰਾਂ ਨਾਲ ਮਿਲ ਕੇ ਕੰਮ ਕਰਨ ਲਈ ਉਤਸ਼ਾਹਿਤ ਕਰਦੇ ਹਾਂ.
ਦੁਹਰਾਅ ਰਾਹੀਂ ਸਿੱਖਣਾ
ਇਹ ਪੋਸਟ Public Data for Health ਬਾਰੇ ਸਾਡੀ ਸ਼ੁਰੂਆਤੀ ਦਿਸ਼ਾ ਦੀ ਰੂਪਰੇਖਾ ਪੇਸ਼ ਕਰਦੀ ਹੈ. ਵਿਗਿਆਨ ਅਤੇ AI ਦੀ ਪ੍ਰਗਤੀ ਅਤੇ ਖੋਜ ਭਾਈਚਾਰੇ ਦੇ ਹੋਰ ਲੋਕਾਂ ਨਾਲ ਗੱਲਬਾਤ ਦੇ ਆਧਾਰ ਉੱਤੇ ਅਸੀਂ ਆਪਣੇ ਵਿਚਾਰ ਸਰਗਰਮੀ ਨਾਲ ਅੱਪਡੇਟ ਕਰ ਰਹੇ ਹਾਂ.
ਜੇ Public Data for Health ਬਾਰੇ ਤੁਹਾਡੇ ਕੋਲ ਕੋਈ ਵਿਚਾਰ ਹਨ, ਤਾਂ ਅਸੀਂ ਤੁਹਾਨੂੰ [email protected] ਉੱਤੇ ਸੰਪਰਕ ਕਰਨ ਲਈ ਉਤਸ਼ਾਹਿਤ ਕਰਦੇ ਹਾਂ. ਸਾਡੇ ਪ੍ਰੋਗਰਾਮਾਂ ਅਤੇ ਫੰਡਿੰਗ ਬਾਰੇ ਭਵਿੱਖੀ ਜਾਣਕਾਰੀ ਲਈ ਤੁਸੀਂ ਸਾਡੇ ਨਿਊਜ਼ਲੈਟਰ ਨੂੰ ਇੱਥੇ ਸਬਸਕ੍ਰਾਈਬ ਕਰ ਸਕਦੇ ਹੋ.
ਜੇ ਤੁਹਾਨੂੰ ਇਸ ਪੋਸਟ ਵਿੱਚ ਚਰਚਾ ਕੀਤੀਆਂ ਸਮੱਸਿਆਵਾਂ ਵਰਗੇ ਵਿਸ਼ਿਆਂ ਉੱਤੇ ਪੂਰੇ ਸਮੇਂ ਕੰਮ ਕਰਨਾ ਦਿਲਚਸਪ ਲੱਗਦਾ ਹੈ, ਤਾਂ ਅਸੀਂ ਇਸ ਵੇਲੇ ਜੀਵਨ ਵਿਗਿਆਨ ਅਤੇ ਰੋਗਾਂ ਦੇ ਇਲਾਜ ਵਾਲੀ ਟੀਮ ਵਿੱਚ ਚਾਰ ਖਾਲੀ ਅਹੁਦਿਆਂ ਲਈ ਭਰਤੀ ਕਰ ਰਹੇ ਹਾਂ.