Јавни подаци за здравље
У априлу смо покренули програм AI за Алцхајмерову болест, први програм организације OpenAI Foundation у области природних наука и лечења болести. Данас представљамо наш други научни програм: Јавни подаци за здравље.
Програм AI за Алцхајмерову болест усмерен је на једну болест која погађа многе породице и код које, по нашем мишљењу, AI може помоћи научницима да развију боље терапије. Програм Јавни подаци за здравље усмерен је на подстицање напретка у природним наукама и истраживању бројних болести, финансирањем израде и очувања висококвалитетних научних скупова података који ће бити широко доступни истраживачима.
Научни подаци су запажања о свету око нас и основни материјал за истраживања и открића. У областима у којима је напредак могуће проверити без прикупљања нових података, као што су неке гране математике, системи AI-ја су недавно почели да доприносе новим сазнањима. У биологији, с друге стране, системи AI-ја све успешније анализирају биолошке информације у великом обиму и откривају скривене структуре чак и у непотпуним подацима, понекад уз задивљујућу ефикасност.
Ипак, очекујемо да ће до многих будућих открића у спречавању и лечењу болести доћи повезивањем интелигенције нових модела са већим бројем запажања о свету – другим речима, са више података.
Неки скупови података од огромне јавне вредности можда никада неће бити направљени нити дељени јер ниједна појединачна установа нема довољно подстицаја или капацитета да их финансира. Зато је подршка јавним подацима за здравље у потпуности у складу са улогом организације OpenAI Foundation.
Наша иницијална бесповратна средства
За почетак издвајамо више од 125 милиона долара бесповратних средстава првој групи непрофитних организација и универзитета, за бројне нивое података – од молекула и епидемиологије до регулаторних знања.
Ово су неки од пројеката које подржавамо:
OpenADMET ће израдити отворене скупове података и референтне тестове и организовати слепа такмичења како би се испитало да ли се модели вештачке интелигенције могу обучити да предвиђају апсорпцију и расподелу малих молекула у телу, чиме би развој лекова постао предвидљивији, а стопа неуспеха нових лекова мања.
Чак 90% кандидата за лекове не прође клиничка испитивања. То је често последица тога што је тешко предвидети како ће се апсорбовати и кретати кроз тело – односно њихова својства „ADMET”. Овакви нерешени проблеми предвиђања могу бити погодни за ВИ када су доступни висококвалитетни подаци на основу којих се може утврдити тачност предвиђања различитих модела. На пример, AlphaFold2 је преобразио предвиђање структуре протеина користећи податке из Банке података о протеинима, у оквиру такмичења са другим приступима моделовању које је организовао CASP. Предвиђање структуре протеина сада је саставни део многих програма откривања лекова који ће вероватно донети корист пацијентима.
Да би се својства ADMET кандидата за лекове боље предвиђала, тим OpenADMET ће развити висококвалитетне скупове података као основу за нове моделе предвиђања и организовати отворене изазове у којима могу учествовати истраживачи из целог света.
Презентација на недавном догађају OpenADMET за учеснике у изазовима предвиђања својстава ADMET. Извор: Наоми Хендли.
„Откривање лекова обилује општим проблемима које ниједна појединачна компанија или академска лабораторија усмерена на лечење одређене болести не може сама да реши”, рекао је др Џејмс Фрејзер, члан Управног одбора OpenADMET и професор и шеф Катедре за биоинжењерство и терапијске науке на Универзитету Калифорније у Сан Франциску (UCSF). „OpenADMET је основан да би се ти проблеми решавали отворено и на начин прилагођен машинском учењу. Радујемо се прилици да изградимо основни слој који ће омогућити вештачкој интелигенцији да знатно убрза развој нових терапија.”
CTD Commons ће очувати и објавити регулаторна знања из неуспелих програма развоја лекова како би будући тимови могли да уче из ранијих примера који обично остају недоступни и брже открију делотворне терапије за пацијенте.
CTD, односно Заједнички технички документ, обједињује читав развојни пут испитиваног лека – од токсикологије на животињама и података о производњи до, можда најкорисније, преписке са агенцијом FDA. Ипак, само мали део тог рада доспе у објављене научне радове.
CTD Commons ће испитати могућност прибављања CTD-ова из неуспелих или обустављених програма развоја лекова и учинити их јавно доступним свима за истраживање и анализу.
„Свака пријава агенцији FDA представља напоран рад и жртве истраживача, рецензената и учесника у студијама. Чак и када ти напори не успеју, драгоцене информације које су створили не треба да буду узалудне”, рекао је Џош Морисон, главни организатор CTD Commons и председник организације 1Day Sooner. „CTD Commons ће смањити дуплирање посла и трошкове и повећати утицај клиничких истраживања.”
UNC ће основати Иницијативу за генеративну имунотерапију и израдити јавне мултимодалне податке како би се приближила будућност у којој оболели од рака одмах по постављању дијагнозе могу добити брзо израђене персонализоване вакцине против рака.
Данашње „неоантигенске” вакцине против рака спадају међу ретке лекове који се рачунарски осмишљавају за сваког пацијента појединачно, секвенцирањем туморске ћелије ради предвиђања специфичних туморских мета присутних на њеној површини. Међутим, и само секвенцирање је посредан показатељ стварности, јер је тешко и скупо директно измерити мете на површини ћелије, као и проверити колико снажно имунски систем пацијента реагује на сваки од тих протеина.
UNC ће обезбедити те карике које недостају за стотине тумора и више врста рака, стварајући један од првих скупова података за обуку и процену у овој области, са деидентификованим јавним подацима које истраживачи широм света могу даље да користе.
„Персонализоване вакцине против рака коначно почињу да показују знаке клиничке делотворности, али и даље постоје празнине за чије би попуњавање традиционалним моделом развоја терапија могле бити потребне деценије. Висококвалитетни подаци могу нам помоћи да те празнине брже попунимо”, рекао је др Алекс Рубинстејн, доцент генетике на Медицинском факултету UNC-а. „Радујемо се што ћемо скратити тај рок и помоћи да широко делотворне персонализоване имунотерапије постану стварност.”
Чланови лабораторије раде на персонализованим вакцинама против рака на Универзитету Северне Каролине. Извор: UNC.
Наша почетна стратегија
Очекујемо да ће овај одељак бити нарочито важан истраживачима заинтересованим за будућа бесповратна средства организације OpenAI Foundation.
Постоји знатно више научних података које би вредело прикупити него што било који појединачни финансијер може да подржи. Зато желимо да истраживачкој заједници подробније представимо врсте података код којих подршка организације OpenAI Foundation, по нашем мишљењу, може бити најкориснија.
Наше почетне претпоставке су да треба да се усредсредимо на: повезане податке, оскудне податке и директне податке. Скупови података које финансирамо обично ће имати једно или два од ових својстава, подробније описаних у наставку, а у ретким случајевима сва три.
За све скупове података сматрамо да ће бити све важније да подаци буду широко доступни, уз заштиту приватности кад год је реч о подацима пацијената, . Тако ће истраживачи моћи да надограђују рад једни другима, а научни напредак моћи ће да потекне и са неочекиваних места.
Повезани подаци: праћење биолошких процеса кроз више корака
Биолошки процеси одвијају се у различитим размерама, али већина скупова података у природним наукама обухвата само један део стварности. Атлас ћелија може мерити молекуле у хиљадама ћелија, док снимање појединачних молекула прати само једну ћелију. Оба приказа су вредна, али пошто се такви скупови података обично израђују независно, могу проћи године додатног рада док се не утврди како су научни резултати међусобно повезани. Желимо да подржимо појединачне истраживачке тимове да намерно прелазе са једних размера на друге и стварају богате, повезане скупове података чији се различити слојеви међусобно допуњују.
На пример, наша бесповратна средства UCSF-у омогућиће тиму OpenADMET да измери кључна молекуларна својства и интеракције десетина хиљада једињења. Тим ће затим повезати ово широко профилисање са два приказа транспорта лекова: експериментално утврђеним структурама транспортних протеина за које су везани одабрани молекули и тестовима који мере функционалну интеракцију тих протеина са молекулима. На крају ће подскуп тих једињења испитати на моделима људске крвно-мождане баријере и упоредити резултате са мерењима in vivo на животињама.
Овај приступ прикупљању података пружиће необично целовит приказ чинилаца који одређују кретање лека кроз тело и омогућити моделима вештачке интелигенције да боље предвиђају исходе на нивоу који је људима важан.
Оскудни подаци: очување онога што се не може поново створити
Ниједна будућа вештачка интелигенција, ма колико способна, неће моћи да се врати у прошлост и посматра биолошке догађаје у одређеним, јединственим тренуцима – попут узрока смрти и обољења у земљама без поуздане виталне статистике или садржаја биолошких узорака пацијената из тренутака који су већ прошли. Биологија је препуна таквих неповратних прилика, а будући стручњаци за моделовање могли би у тим доказима пронаћи примене које данашњи истраживачи не могу предвидети. Зато нас посебно занимају предлози за прикупљање или очување вредних података пре него што прилика нестане, као и за широку доступност постојећих приватних скупова података који се никада неће моћи поново створити, уз поштовање приватности и пристанка појединаца.
На пример, наша бесповратна средства организацији CTD Commons омогућиће испитивање начина за очување документације неуспелих програма развоја лекова пре него што се компаније угасе, а документација нестане. Краткорочно, ти документи могу помоћи тимовима у раној фази развоја лекова да разумеју шта су регулаторна тела захтевала од сличних производа, уместо да то сазнају скупим покушајима и грешкама. Дугорочно, документи могу послужити системима машинског учења као извор за откривање образаца који објашњавају зашто лекови не успевају или успевају, доприносећи побољшању прописа или стратегија испитивања и омогућавајући пацијентима да раније добију нове терапије.
Директни подаци: мерење биолошких и клиничких стања најближих ономе што је важно
Током већег дела историје биологије мерило се оно што је било лако или јефтино измерити. На пример, мерени су подаци о појединачним ћелијама уместо клиничких података о људима или експресија РНК уместо протеина. Ти посредни показатељи били су изузетно корисни, али могу и да се удаље од циљева разумевања биологије и спречавања и лечења болести. У таквим случајевима желимо да истраживачима пружимо ресурсе потребне за израду скупова података који мере оно што је најважније. Могуће је и да инструменти потребни за мерење „биолошке истине” још не постоје или да је њихова масовна употреба прескупа. У оквиру овог програма надамо се да ћемо подржати обе врсте иницијатива – и нове податке и нове алатке.
На пример, наша бесповратна средства UNC-у за оснивање Иницијативе за генеративну имунотерапију омогућиће тиму у установама UNC Lineberger и UNC Health да произведе податке засноване на људској биологији који су неопходни за побољшање следеће генерације вакцина против рака. То подразумева директно мерење протеина на површини туморских ћелија, као и одговора Т-ћелија пацијената, уместо „само” секвенцирања тумора. Стварање ових података је скупо; надамо се да ће њиховим свеобухватним прикупљањем и јавним објављивањем резултата сада сви будући програми вакцина против рака моћи да имају користи. Ако овај пројекат успе, будући кандидати за вакцине моћи ће да уђу у фазу испитивања дозирања код људи са поузданијим скупом мета. То би требало да повећа њихове изгледе за успех, као и количину знања која се може стећи када не успеју.
Обезбеђивање доступности података истраживачима
На крају, код свих наших бесповратних средстава настојимо да настали скупови података буду што доступнији истраживачима широм света.
Током већег дела историје науке, испитивање хипотеза било је главно уско грло на путу до открића. За решавање проблема била је доступна само ограничена количина „интелигенције” – одређени број постдипломаца и професионалних научника који су прикупљали и анализирали податке о неком проблему. Стални напредак вештачке интелигенције у програмирању и анализи података руши ту претпоставку. Анализа података могла би постати неупоредиво скалабилнија, а нова сазнања могла би проистећи из сарадњи које је тешко предвидети у тренутку прикупљања података.
Наша мисија је да обезбедимо да општа вештачка интелигенција буде од користи целом човечанству. Научни подаци настали уз нашу подршку треба да буду широко доступни, уз очување приватности и пристанка појединаца кад год обухватају податке о људима. Међутим, доступност не подразумева само објављивање необрађених података. Подстичемо кориснике бесповратних средстава да своје анализе објављују као препринте, редовно деле податке уместо тек на крају и, ако њихови подаци нису „повезани”, сарађују са корисницима података како би проценили њихову употребљивост за биолошки вредне проблеме.
Итеративно учење
Ова објава представља наш почетни приступ програму Јавни подаци за здравље. Активно преиспитујемо своје ставове у складу са напретком науке и вештачке интелигенције, као и разговорима са другим члановима истраживачке заједнице.
Ако имате идеје за програм Јавни подаци за здравље, јавите нам се на [email protected]. На наш билтен можете да се пријавите овде како бисте убудуће добијали новости о нашим програмима и финансирању.
Ако су вам проблеми попут оних разматраних у овој објави довољно занимљиви да им се посветите током пуног радног времена, тренутно запошљавамо на четири отворена радна места у тиму за природне науке и лечење болести.