Publiczne dane dla zdrowia

W kwietniu uruchomiliśmy⁠ AI for Alzheimer’s — pierwszy program OpenAI Foundation poświęcony naukom o życiu i leczeniu chorób. Dziś przedstawiamy nasz drugi program naukowy: Publiczne dane dla zdrowia.

W ramach AI for Alzheimer’s skupiamy się na jednej chorobie dotykającej wiele rodzin, ponieważ wierzymy, że AI może pomóc naukowcom opracować skuteczniejsze metody leczenia. Program Publiczne dane dla zdrowia ma wspierać postęp w naukach o życiu i badaniach nad wieloma chorobami przez finansowanie tworzenia i zabezpieczania wysokiej jakości zbiorów danych naukowych, powszechnie udostępnianych badaczom.

Dane naukowe to obserwacje otaczającego nas świata — podstawowy materiał do badań i odkryć. W dziedzinach, w których przełomowe wyniki można zweryfikować bez gromadzenia nowych danych — na przykład w niektórych obszarach matematyki — systemy AI zaczęły ostatnio wnosić⁠ nową⁠ wiedzę⁠. Tymczasem w biologii systemy AI coraz lepiej radzą sobie z analizowaniem informacji biologicznych na dużą skalę i odkrywaniem ukrytych struktur nawet na podstawie niepełnych danych — niekiedy z zadziwiającą skutecznością.

Spodziewamy się jednak, że wiele przyszłych przełomów w zapobieganiu chorobom i ich leczeniu nastąpi dzięki połączeniu możliwości nowych modeli z większą liczbą obserwacji świata — innymi słowy, z większą ilością danych.

Niektóre zbiory danych o ogromnej wartości publicznej mogą nigdy nie powstać ani nie zostać udostępnione, ponieważ żadna pojedyncza instytucja nie ma wystarczającej motywacji lub możliwości, by je sfinansować. Dlatego wspieranie publicznych danych dotyczących zdrowia doskonale wpisuje się w działalność OpenAI Foundation.

Nasze pierwsze granty

Na początek przeznaczamy ponad 125 mln USD w grantach dla pierwszej grupy organizacji non profit i uczelni. Projekty obejmują wiele warstw danych — od cząsteczek, przez epidemiologię, po wiedzę regulacyjną.

Oto kilka przykładów wspieranych przez nas projektów:

1. OpenADMET⁠ stworzy otwarte zbiory danych, testy porównawcze i konkursy z utajnionymi wynikami, aby sprawdzić, czy modele AI można nauczyć przewidywania sposobu wchłaniania małych cząsteczek i ich dystrybucji w organizmie. Ma to zwiększyć przewidywalność prac nad lekami i ograniczyć odsetek niepowodzeń.

   90% kandydatów na leki nie przechodzi badań klinicznych⁠. Często wynika to z trudności w przewidywaniu, jak substancje te będą się wchłaniać i przemieszczać w organizmie, czyli ich właściwości „ADMET”⁠. Takie nierozwiązane problemy predykcyjne mogą dobrze nadawać się do zastosowania AI, jeśli systemy otrzymają wysokiej jakości dane pozwalające oceniać trafność przewidywań różnych modeli. Na przykład AlphaFold2 zrewolucjonizował przewidywanie struktur białek dzięki danym z Protein Data Bank⁠, konkurując z innymi metodami modelowania w konkursie organizowanym przez CASP⁠. Przewidywanie struktur białek jest dziś częścią wielu programów odkrywania leków, które prawdopodobnie przyniosą korzyści pacjentom.

   Aby skuteczniej przewidywać właściwości ADMET kandydatów na leki, zespół OpenADMET opracuje wysokiej jakości zbiory danych stanowiące podstawę nowych modeli predykcyjnych oraz zorganizuje otwarte konkursy dla badaczy z całego świata.

   

   „Odkrywanie leków wiąże się z uniwersalnymi problemami, których żadna firma ani pracownia akademicka zajmująca się leczeniem konkretnej choroby nie rozwiąże samodzielnie” — powiedział dr James Fraser, członek rady zarządzającej OpenADMET oraz profesor i kierownik Katedry Bioinżynierii i Nauk Terapeutycznych na UCSF. „OpenADMET powstał, aby rozwiązywać te problemy w sposób otwarty i przystosowany do uczenia maszynowego. Cieszymy się, że możemy stworzyć fundamentalną warstwę, dzięki której AI znacznie przyspieszy opracowywanie nowych metod leczenia”.

2. CTD Commons⁠ zabezpieczy i opublikuje wiedzę regulacyjną z nieudanych programów opracowywania leków. Pozwoli to przyszłym zespołom korzystać z precedensów, które zwykle pozostają niedostępne, i szybciej odkrywać skuteczne terapie dla pacjentów.

   CTD, czyli wspólny dokument techniczny, opisuje całą drogę badanego leku — od toksykologii na zwierzętach i szczegółów produkcji po, być może najbardziej użyteczną, korespondencję z FDA. Jednak tylko niewielka część tej pracy trafia do publikacji naukowych.

   CTD Commons zbada możliwość pozyskiwania dokumentów CTD z nieudanych lub wstrzymanych programów rozwoju leków i otwartego udostępniania ich wszystkim do badań i analiz.

   „Każdy wniosek składany do FDA jest wynikiem ciężkiej pracy i poświęcenia badaczy, recenzentów oraz uczestników badań. Nawet gdy te wysiłki nie przynoszą rezultatu, powstałe dzięki nim cenne informacje nie powinny się zmarnować” — powiedział Josh Morrison, główny organizator CTD Commons i prezes 1Day Sooner. „CTD Commons ograniczy powielanie prac i koszty oraz zmaksymalizuje wpływ badań klinicznych”.

3. UNC⁠ utworzy Initiative for Generative Immunotherapy i będzie gromadzić publiczne, multimodalne dane, aby przybliżyć przyszłość, w której po rozpoznaniu choroby pacjenci onkologiczni będą mogli szybko otrzymać spersonalizowaną szczepionkę przeciwnowotworową.

   Dzisiejsze szczepionki przeciwnowotworowe oparte na „neoantygenach” należą do nielicznych leków projektowanych obliczeniowo dla każdego pacjenta. Sekwencjonuje się w tym celu komórkę nowotworową, aby przewidzieć, które swoiste dla guza cele występują na jej powierzchni. Samo sekwencjonowanie jest jednak tylko przybliżeniem rzeczywistości, ponieważ bezpośredni pomiar celów na powierzchni komórki jest trudny i kosztowny — podobnie jak sprawdzenie, jak silnie układ odpornościowy pacjenta reaguje na każde z tych białek.

   UNC uzupełni te brakujące ogniwa w odniesieniu do setek guzów i wielu rodzajów nowotworów, tworząc jeden z pierwszych w tej dziedzinie zbiorów danych do trenowania i oceny. Zanonimizowane dane zostaną publicznie udostępnione badaczom z całego świata.

   „Spersonalizowane szczepionki przeciwnowotworowe zaczynają wreszcie wykazywać skuteczność kliniczną, ale nadal istnieją luki, których wypełnienie w tradycyjnym modelu opracowywania terapii mogłoby potrwać dziesięciolecia. Wysokiej jakości dane mogą pomóc nam uzupełnić je szybciej” — powiedział dr Alex Rubinsteyn, adiunkt genetyki w UNC School of Medicine. „Cieszymy się, że możemy skrócić ten proces i pomóc urzeczywistnić spersonalizowane immunoterapie o szerokiej skuteczności”.

   

Nasza początkowa strategia

Spodziewamy się, że ta część będzie szczególnie istotna dla badaczy zainteresowanych przyszłymi grantami OpenAI Foundation.

Warto zgromadzić znacznie więcej danych naukowych, niż może sfinansować pojedynczy grantodawca. Dlatego chcemy szerzej przedstawić społeczności naukowej rodzaje danych, w przypadku których wsparcie OpenAI Foundation może naszym zdaniem przynieść najwięcej korzyści.

Nasze wstępne założenia wskazują trzy rodzaje danych, na których należy się skupić: dane połączone, rzadkie oraz bezpośrednie . Finansowane przez nas zbiory danych będą zwykle miały jedną lub dwie z tych cech, opisanych szczegółowo poniżej, a w rzadkich przypadkach — wszystkie trzy.

Uważamy, że w przypadku wszystkich zbiorów coraz ważniejsze będzie zapewnienie szerokiej dostępności danych przy jednoczesnej ochronie prywatności, gdy dotyczą one pacjentów. Pozwoli to badaczom rozwijać prace innych osób, a postęp naukowy będzie mógł nadchodzić z nieoczekiwanych kierunków.

1. Dane połączone: śledzenie biologii na wielu etapach

   Procesy biologiczne zachodzą w różnych skalach, lecz większość zbiorów danych z nauk o życiu obejmuje tylko jeden fragment rzeczywistości. Atlas komórkowy może mierzyć cząsteczki w tysiącach komórek, natomiast obrazowanie pojedynczych cząsteczek śledzi tylko jedną komórkę. Obie perspektywy są cenne, ale ponieważ takie zbiory powstają zwykle niezależnie, ustalenie wzajemnych powiązań między wynikami naukowymi może wymagać wielu lat dalszych prac. Chcemy wspierać zespoły badawcze w świadomym poruszaniu się między tymi skalami i tworzeniu bogatych, połączonych zbiorów danych, których poszczególne warstwy wzajemnie się uzupełniają.

   Na przykład nasz grant dla UCSF umożliwi zespołowi OpenADMET pomiar kluczowych właściwości i interakcji molekularnych dziesiątek tysięcy związków. Następnie zespół połączy to szerokie profilowanie z dwiema perspektywami dotyczącymi transportu leków: wyznaczonymi eksperymentalnie strukturami białek transportujących ze związanymi wybranymi cząsteczkami oraz testami mierzącymi funkcjonalne interakcje tych białek z cząsteczkami. Na koniec badacze przetestują część tych związków w modelach ludzkiej bariery krew–mózg, porównując wyniki z pomiarami in vivo na zwierzętach.

   Takie podejście do gromadzenia danych stworzy wyjątkowo pełny obraz czynników decydujących o przemieszczaniu się leku w organizmie, umożliwiając modelom AI lepsze przewidywanie zjawisk na poziomie istotnym dla ludzi.

2. Dane rzadkie: ochrona tego, czego nie można odtworzyć

   Żaden przyszły system AI, niezależnie od swoich możliwości, nie będzie w stanie cofnąć się w czasie i obserwować niepowtarzalnych zdarzeń biologicznych — takich jak przyczyny zgonów i złego stanu zdrowia w krajach bez wiarygodnych statystyk ludnościowych czy zawartość próbek biologicznych pobranych od pacjentów w minionych już momentach. Biologia jest pełna takich nieodwracalnych sytuacji, a przyszli twórcy modeli mogą znaleźć dla tych danych zastosowania, których dzisiejsi badacze nie potrafią przewidzieć. Dlatego szczególnie interesują nas propozycje zakładające gromadzenie lub zabezpieczanie cennych danych, zanim zniknie taka możliwość, bądź szerokie udostępnianie istniejących prywatnych zbiorów, których nie da się odtworzyć — z poszanowaniem prywatności i indywidualnej zgody.

   Na przykład nasz grant dla CTD Commons pozwoli zbadać, czy dokumentację nieudanych programów opracowywania leków można ocalić, zanim firmy zakończą działalność, a materiały znikną. W krótkiej perspektywie dokumenty te mogą pomóc zespołom rozpoczynającym prace nad lekami zrozumieć wymagania regulatorów wobec podobnych produktów, bez kosztownego dochodzenia do tej wiedzy metodą prób i błędów. W dłuższej perspektywie dokumenty mogą posłużyć systemom uczenia maszynowego do wykrywania prawidłowości decydujących o powodzeniu lub niepowodzeniu leków. Może to usprawnić regulacje i strategie badań oraz zapewnić pacjentom szybszy dostęp do nowych terapii.

3. Dane bezpośrednie: pomiar stanów biologicznych i klinicznych najbliższych temu, co istotne

   Przez znaczną część swojej historii biologia mierzyła to, co można było zmierzyć łatwo lub tanio. Na przykład częściej mierzono dane pojedynczych komórek niż dane kliniczne ludzi albo ekspresję RNA zamiast białek. Te wskaźniki zastępcze okazały się niezwykle użyteczne, lecz mogą też oddalać się od celów, jakimi są zrozumienie biologii oraz zapobieganie chorobom i ich leczenie. W takich przypadkach chcemy zapewnić badaczom zasoby potrzebne do tworzenia zbiorów danych mierzących to, co najważniejsze. Możliwe też, że przyrządy potrzebne do pomiaru „prawdy biologicznej” jeszcze nie istnieją albo ich wykorzystanie na dużą skalę jest zbyt kosztowne. W ramach tego programu chcemy wspierać obie inicjatywy — zarówno nowe dane, jak i nowe narzędzia.

   Na przykład nasz grant dla UNC na utworzenie Initiative for Generative Immunotherapy pozwoli zespołom UNC Lineberger i UNC Health zgromadzić dane oparte na badaniach ludzi, niezbędne do ulepszenia następnej generacji szczepionek przeciwnowotworowych. Oznacza to bezpośredni pomiar białek na powierzchni komórek nowotworowych oraz odpowiedzi limfocytów T pacjentów, a nie „tylko” sekwencjonowanie guza. Wytworzenie tych danych jest kosztowne. Gromadząc je tym razem kompleksowo i otwarcie udostępniając wyniki, chcemy umożliwić korzystanie z nich we wszystkich przyszłych pracach nad szczepionkami przeciwnowotworowymi. Jeśli projekt się powiedzie, przyszłe szczepionki kandydujące będą mogły rozpocząć badania z udziałem ludzi z lepiej dobranym zestawem celów. Powinno to zwiększyć ich szanse na skuteczność, a w razie niepowodzenia — ilość wiedzy, którą będzie można zdobyć.

Zapewnianie badaczom dostępu do danych

We wszystkich naszych grantach dbamy również o to, aby powstałe zbiory danych były jak najbardziej dostępne dla badaczy z całego świata.

Przez znaczną część historii nauki głównym wąskim gardłem odkryć było testowanie hipotez. Do rozwiązywania problemów można było wykorzystać tylko ograniczone zasoby „inteligencji” — określoną liczbę doktorantów i zawodowych naukowców, którzy tworzyli i analizowali dane dotyczące danego zagadnienia. Ciągłe postępy AI w programowaniu i analizie danych podważają to założenie. Analizę danych będzie można prowadzić na nieporównanie większą skalę, a nowe spostrzeżenia mogą wynikać ze współpracy, której trudno się spodziewać w chwili tworzenia danych.

Naszą misją jest zapewnienie, aby ogólna sztuczna inteligencja przynosiła korzyści całej ludzkości. Dane naukowe tworzone przy naszym wsparciu powinny być szeroko dostępne, z zachowaniem prywatności i zgody poszczególnych osób we wszystkich przypadkach dotyczących danych ludzkich. Dostępność oznacza jednak więcej niż samo udostępnienie surowych danych. Zachęcamy grantobiorców, by publikowali analizy w formie preprintów i regularnie udostępniali dane, zamiast czekać do końca projektu. Jeśli zaś dane nie są „połączone”, powinni współpracować z ich użytkownikami, aby oceniać przydatność zbiorów w rozwiązywaniu istotnych problemów biologicznych.

Uczenie się w kolejnych iteracjach

W tym artykule przedstawiamy nasze początkowe założenia programu Publiczne dane dla zdrowia. Aktywnie aktualizujemy nasze stanowisko wraz z postępem nauki i AI oraz na podstawie rozmów z innymi członkami społeczności badawczej.

Jeśli masz pomysły dotyczące programu Publiczne dane dla zdrowia, skontaktuj się z nami pod adresem [email protected]⁠. Aby otrzymywać przyszłe informacje o naszych programach i finansowaniu, możesz zapisać się do newslettera tutaj⁠.

Jeśli problemy omawiane w tym artykule wydają Ci się na tyle interesujące, by zajmować się nimi zawodowo, prowadzimy obecnie rekrutację na cztery stanowiska⁠ w zespole ds. nauk o życiu i leczenia chorób.