Date publice pentru sănătate

În aprilie, am lansat⁠ AI pentru Alzheimer, primul program al OpenAI Foundation în domeniul științelor vieții și al vindecării bolilor. Astăzi, prezentăm al doilea program științific al nostru: Date publice pentru sănătate.

Prin AI pentru Alzheimer, ne concentrăm asupra unei boli care afectează multe familii și în cazul căreia credem că AI poate ajuta cercetătorii să dezvolte tratamente mai bune. Prin Date publice pentru sănătate, urmărim să stimulăm progresul în științele vieții și în cercetarea multor boli, finanțând crearea și conservarea unor seturi de date științifice de înaltă calitate, puse la dispoziția cercetătorilor pe scară largă.

Datele științifice sunt observații despre lumea din jurul nostru, fundamentul cercetării și al descoperirilor. În domeniile în care progresele pot fi verificate fără colectarea unor date noi, cum ar fi anumite ramuri ale matematicii, sistemele AI au început recent să contribuie⁠ cu noi⁠ cunoștințe⁠. În biologie, între timp, sistemele AI pot analiza tot mai bine informații biologice la scară largă și pot identifica structuri ascunse chiar și în dovezi incomplete, uneori cu o eficiență uluitoare.

Totuși, ne așteptăm ca multe dintre progresele viitoare în prevenirea și tratarea bolilor să rezulte din combinarea inteligenței noilor modele cu mai multe observații asupra lumii — cu alte cuvinte, cu mai multe date.

Este posibil ca unele seturi de date cu o valoare publică enormă să nu fie create sau distribuite niciodată, deoarece nicio instituție nu are singură suficiente motive sau resurse pentru a le finanța. Prin urmare, sprijinirea datelor publice pentru sănătate se potrivește foarte bine misiunii OpenAI Foundation.

Granturile noastre inițiale

Începem prin a acorda granturi de peste 125 de milioane $ unei prime serii de organizații nonprofit și universități, acoperind numeroase niveluri ale datelor: de la molecule și epidemiologie până la cunoștințe despre reglementare.

Iată câteva exemple de proiecte pe care le sprijinim:

1. OpenADMET⁠ va crea seturi de date deschise, criterii de referință și competiții cu date anonimizate pentru a testa dacă modelele AI pot fi antrenate să prezică modul în care moleculele mici sunt absorbite și distribuite în organism, astfel încât dezvoltarea medicamentelor să devină mai previzibilă, iar rata de eșec a noilor medicamente să scadă.

   90% dintre medicamentele candidate eșuează în studiile clinice⁠. Acest lucru se datorează adesea dificultății de a prezice cum vor fi absorbite și cum se vor deplasa prin organism — adică proprietățile lor „ADMET”⁠. Problemele de predicție încă nerezolvate, precum aceasta, se pot preta foarte bine utilizării AI, atunci când AI este combinată cu date de înaltă calitate, care permit evaluarea acurateții predicțiilor generate de diferite modele. De exemplu, AlphaFold2 a transformat predicția structurii proteinelor folosind date din Protein Data Bank⁠, în cadrul unei competiții cu alte abordări de modelare organizate de CASP⁠. Predicția structurii proteinelor este acum integrată în numeroase programe de descoperire a medicamentelor, care probabil vor ajunge să le aducă beneficii pacienților.

   Pentru a prezice mai bine proprietățile ADMET ale medicamentelor candidate, echipa OpenADMET va dezvolta seturi de date de înaltă calitate care să stea la baza noilor modele predictive și va organiza competiții deschise cercetătorilor din întreaga lume.

   

   „Descoperirea medicamentelor este plină de probleme universale pe care nicio companie sau niciun laborator academic interesat de vindecarea unei anumite boli nu le poate rezolva de unul singur”, a declarat James Fraser, PhD, membru al Consiliului de conducere OpenADMET și profesor și șef al Departamentului de bioinginerie și științe terapeutice la UCSF. „OpenADMET a fost creat pentru a aborda aceste probleme într-un mod deschis și pregătit pentru învățarea automată. Suntem încântați că putem construi stratul fundamental care va permite AI să accelereze considerabil dezvoltarea de noi tratamente.”

2. CTD Commons⁠ va conserva și publica informațiile de reglementare din programele eșuate de dezvoltare a medicamentelor, astfel încât echipele viitoare să poată învăța din precedente care rămân de obicei inaccesibile și să contribuie la descoperirea mai rapidă a unor tratamente eficace pentru pacienți.

   Un CTD, sau document tehnic comun, reunește întregul parcurs al unui medicament experimental — de la toxicologia pe animale și detaliile de fabricație până la corespondența cu FDA, poate cea mai utilă componentă. Totuși, doar o mică parte din această muncă apare în lucrările publicate.

   CTD Commons va testa posibilitatea de a obține documente CTD din programe de dezvoltare a medicamentelor eșuate sau abandonate și de a le pune la dispoziția tuturor, în mod deschis, pentru cercetare și analiză.

   „Fiecare dosar depus la FDA reprezintă munca asiduă și sacrificiile cercetătorilor, evaluatorilor și participanților la studii. Chiar și atunci când aceste eforturi eșuează, informațiile valoroase pe care le generează nu ar trebui irosite”, a declarat Josh Morrison, principalul organizator al CTD Commons și președintele 1Day Sooner. „CTD Commons va reduce duplicarea eforturilor și costurile și va maximiza impactul cercetării clinice.”

3. UNC⁠ va înființa Inițiativa pentru imunoterapie generativă și va crea date publice multimodale, contribuind la un viitor în care pacienții cu cancer pot primi rapid vaccinuri oncologice personalizate după diagnosticare.

   Vaccinurile oncologice cu „neoantigene” din prezent se numără printre puținele medicamente proiectate computațional pentru fiecare pacient, prin secvențierea unei celule tumorale pentru a prezice ce ținte specifice tumorii sunt prezente pe suprafața sa. Însă secvențierea este doar o reprezentare indirectă a realității, deoarece măsurarea directă a țintelor de pe suprafața celulei este dificilă și costisitoare, la fel ca evaluarea intensității reacției sistemului imunitar al pacientului la fiecare dintre aceste proteine.

   UNC va completa aceste verigi lipsă pentru sute de tumori și mai multe tipuri de cancer, creând unul dintre primele seturi de date de antrenare și evaluare din domeniu, cu date publice dezidentificate pe care să le poată utiliza cercetătorii din întreaga lume.

   „Vaccinurile oncologice personalizate încep, în sfârșit, să dea semne de eficacitate clinică, dar există încă lacune a căror acoperire ar putea dura decenii în modelul tradițional de dezvoltare terapeutică. Datele de înaltă calitate ne pot ajuta să acoperim mai repede aceste lacune”, a declarat Alex Rubinsteyn, PhD, profesor asistent de genetică la Facultatea de Medicină UNC. „Suntem încântați să scurtăm acest interval și să contribuim la transformarea imunoterapiilor personalizate cu eficacitate generală într-o realitate.”

   

Strategia noastră inițială

Ne așteptăm ca această secțiune să fie deosebit de relevantă pentru cercetătorii interesați de viitoarele oportunități de finanțare oferite de OpenAI Foundation.

Există mult mai multe date științifice care ar merita colectate decât poate finanța un singur finanțator. Prin urmare, dorim să oferim comunității de cercetare mai multe detalii despre tipurile de date pentru care credem că sprijinul OpenAI Foundation poate fi cel mai util.

Ipotezele noastre inițiale privind datele prioritare sunt: date conectate, date rare și date directe . Seturile de date pe care le finanțăm vor avea, de obicei, una sau două dintre aceste caracteristici, descrise mai detaliat mai jos, iar în cazuri rare le vor avea pe toate trei.

Pentru toate seturile de date, credem că va deveni tot mai important ca datele să fie accesibile pe scară largă, protejând totodată confidențialitatea atunci când sunt implicate date despre pacienți. Astfel, cercetătorii vor putea continua munca altora, iar progresul științific va putea apărea din locuri neașteptate.

1. Date conectate: urmărirea biologiei în mai multe etape

   Biologia se manifestă la scări diferite, însă majoritatea seturilor de date din științele vieții surprind doar o parte a realității. Un atlas celular poate măsura molecule în mii de celule, în timp ce imagistica la nivel de moleculă individuală urmărește o singură celulă. Ambele perspective sunt valoroase, dar, deoarece astfel de seturi de date sunt create de obicei independent, stabilirea relațiilor dintre rezultatele științifice poate necesita ani de cercetări ulterioare. Dorim să sprijinim echipe de cercetare individuale să treacă în mod deliberat de la o scară la alta și să creeze seturi de date bogate și conectate, ale căror niveluri se consolidează reciproc.

   De exemplu, grantul nostru pentru UCSF va permite echipei OpenADMET să măsoare proprietăți și interacțiuni moleculare esențiale pentru zeci de mii de compuși. Apoi, echipa va corela această profilare amplă cu două perspective asupra transportului medicamentelor: structuri determinate experimental ale proteinelor transportoare, cu anumite molecule legate de ele, și teste care măsoară modul în care aceste proteine interacționează funcțional cu moleculele. În final, echipa va testa un subset al acestor compuși în modele ale barierei hematoencefalice umane, comparând rezultatele cu măsurători in vivo realizate pe animale.

   Această abordare a colectării datelor va oferi o imagine neobișnuit de completă a factorilor care determină deplasarea unui medicament prin organism și va permite modelelor AI să facă predicții mai bune la nivelul care contează pentru oameni.

2. Date rare: conservarea lucrurilor care nu pot fi recreate

   Niciun sistem AI din viitor, indiferent cât de performant ar fi, nu se poate întoarce în timp pentru a observa evenimente biologice petrecute în anumite momente unice — cum ar fi cauzele deceselor și ale problemelor de sănătate din țări fără statistici vitale fiabile sau conținutul probelor biologice recoltate de la pacienți în anumite momente care au trecut deja. Biologia este plină de astfel de situații fără cale de întoarcere, iar specialiștii care vor dezvolta modele în viitor ar putea găsi întrebuințări pentru asemenea dovezi pe care cercetătorii de astăzi nu le pot anticipa. Prin urmare, suntem interesați în mod deosebit de propuneri care colectează sau păstrează date valoroase înainte ca această oportunitate să dispară ori care fac disponibile pe scară largă seturi de date private existente, ce nu vor mai putea fi recreate niciodată, respectând în același timp confidențialitatea și consimțământul individual.

   De exemplu, grantul nostru pentru CTD Commons va analiza dacă documentele programelor eșuate de dezvoltare a medicamentelor pot fi salvate înainte ca firmele să se închidă și documentele să dispară. Pe termen scurt, aceste documente pot ajuta echipele aflate în primele etape ale dezvoltării medicamentelor să înțeleagă cerințele autorităților pentru produse similare, fără a învăța prin încercări și erori costisitoare. Pe termen lung, documentele pot servi drept resurse pentru sisteme de învățare automată care să descopere tipare privind cauzele eșecului sau succesului medicamentelor, contribuind la îmbunătățirea reglementării ori a strategiilor de testare și permițând pacienților să beneficieze mai repede de tratamente noi.

3. Date directe: măsurarea stărilor biologice și clinice cele mai apropiate de ceea ce contează

   În mare parte din istoria sa, biologia a măsurat ceea ce era ușor sau ieftin de măsurat. De exemplu: date despre celule individuale în locul datelor clinice umane sau expresia ARN în locul proteinelor. Acești indicatori indirecți au fost extrem de utili, dar se pot și îndepărta de obiectivele înțelegerii biologiei și ale prevenirii și tratării bolilor. În astfel de cazuri, dorim să le oferim cercetătorilor resursele necesare pentru a crea seturi de date care măsoară ceea ce contează cel mai mult. De asemenea, este posibil ca instrumentele necesare pentru măsurarea „adevărului biologic” să nu existe încă sau să fie prohibitiv de costisitoare pentru utilizarea la scară largă. Prin acest program, sperăm să sprijinim ambele tipuri de inițiative — atât date noi, cât și instrumente noi.

   De exemplu, grantul acordat UNC pentru înființarea Inițiativei pentru imunoterapie generativă va permite echipelor UNC Lineberger și UNC Health să producă datele bazate pe biologia umană necesare îmbunătățirii următoarei generații de vaccinuri oncologice. Aceasta înseamnă măsurarea directă a proteinelor de pe suprafața celulelor tumorale, precum și a răspunsurilor celulelor T ale pacienților, în locul „simplei” secvențieri a tumorii. Crearea acestor date este costisitoare; realizând-o acum în mod cuprinzător și publicând rezultatele, sperăm ca toate eforturile viitoare de dezvoltare a vaccinurilor oncologice să poată beneficia de ele. În special, dacă proiectul reușește, viitoarele vaccinuri candidate vor putea ajunge la administrarea la oameni cu un set mai solid de ținte. Acest lucru ar trebui să le sporească șansele de reușită și să permită obținerea mai multor informații atunci când nu funcționează.

Asigurarea accesului cercetătorilor la date

În fine, pentru toate granturile noastre, ne asigurăm că seturile de date rezultate sunt cât mai accesibile cercetătorilor din întreaga lume.

În cea mai mare parte a istoriei științei, testarea ipotezelor a reprezentat principalul obstacol în calea descoperirilor. Pentru rezolvarea problemelor era disponibilă doar o cantitate limitată de „inteligență” — un număr fix de doctoranzi și cercetători profesioniști, care generau și analizau datele legate de o problemă. Progresul continuu al AI în programare și analiza datelor elimină această constrângere. Analiza datelor poate deveni mult mai scalabilă, iar noi perspective pot apărea din colaborări greu de anticipat în momentul generării datelor.

Misiunea noastră este să ne asigurăm că inteligența generală artificială aduce beneficii întregii omeniri. Datele științifice create cu sprijinul nostru ar trebui puse la dispoziție pe scară largă, protejând totodată confidențialitatea și consimțământul individual ori de câte ori sunt implicate date despre oameni. Însă accesibilitatea înseamnă mai mult decât simpla publicare a datelor brute. Încurajăm beneficiarii granturilor să își publice analizele sub formă de preprinturi, să distribuie periodic datele, nu doar la final, iar dacă datele unui beneficiar nu sunt „conectate”, să colaboreze cu utilizatorii lor pentru a le evalua utilitatea în rezolvarea unor probleme biologice importante.

Învățare iterativă

Această postare prezintă direcția noastră inițială pentru Date publice pentru sănătate. Ne actualizăm în mod activ perspectivele pe măsură ce știința și AI progresează și în urma discuțiilor cu alți membri ai comunității de cercetare.

Dacă ai idei pentru Date publice pentru sănătate, te încurajăm să ne contactezi la [email protected]⁠. Te poți abona la buletinul nostru informativ aici⁠ pentru noutăți viitoare despre programele și finanțările noastre.

Dacă ți se pare interesant să te dedici cu normă întreagă unor probleme precum cele discutate în această postare, recrutăm în prezent pentru patru posturi disponibile⁠ în echipa Științele vieții și vindecarea bolilor.