Offentliga data för hälsa

I april lanserade vi⁠ AI för alzheimer, OpenAI Foundations första program inom livsvetenskap och botande av sjukdomar. I dag presenterar vi vårt andra vetenskapsprogram: Offentliga data för hälsa.

Med AI för alzheimer fokuserar vi på en sjukdom som drabbar många familjer och där vi tror att AI kan hjälpa forskare att utveckla bättre behandlingar. Med Offentliga data för hälsa vill vi främja framsteg inom livsvetenskapen och för många sjukdomar genom att finansiera skapandet och bevarandet av högkvalitativa vetenskapliga dataset som görs brett tillgängliga för forskare.

Vetenskapliga data är observationer av vår omvärld och utgör grunden för forskning och upptäckter. Inom områden där genombrott kan verifieras utan att nya data samlas in, exempelvis delar av matematiken, har AI-system nyligen börjat bidra⁠ med ny⁠ kunskap⁠. Inom biologin blir AI-system samtidigt allt bättre på att analysera biologisk information i stor skala och upptäcka dolda strukturer även i ofullständiga underlag, ibland med häpnadsväckande effektivitet.

Vi förväntar oss dock att många återstående genombrott inom förebyggande och behandling av sjukdomar kommer genom att intelligensen hos nya modeller kombineras med fler observationer av världen – med andra ord mer data.

Vissa dataset med ett enormt allmännyttigt värde kanske aldrig skapas eller delas, eftersom ingen enskild institution har tillräckliga incitament eller resurser för att finansiera dem. Därför passar stöd till offentliga hälsodata väl in i OpenAI Foundations verksamhet.

Våra första anslag

Vi börjar med att dela ut över 125 miljoner dollar i anslag till en första grupp ideella organisationer och universitet. Projekten omfattar många datanivåer, från molekyler och epidemiologi till regulatorisk kunskap.

Här är några exempel på projekt som vi stöder:

1. OpenADMET⁠ ska skapa öppna dataset, riktmärken och blindade tävlingar för att testa om AI-modeller kan tränas att förutsäga hur små molekyler tas upp och fördelas i kroppen. Målet är att göra läkemedelsutveckling mer förutsägbar och minska andelen nya läkemedel som misslyckas.

   90 procent av alla läkemedelskandidater misslyckas i kliniska prövningar⁠. Det beror ofta på att det är svårt att förutsäga hur de tas upp och rör sig i kroppen – deras ”ADMET-egenskaper”⁠. Olösta prognosproblem som detta kan lämpa sig väl för AI när systemen kombineras med högkvalitativa data som gör det möjligt att kontrollera hur träffsäkra olika modellers förutsägelser är. AlphaFold2 förändrade exempelvis förutsägelsen av proteinstrukturer med hjälp av data från Protein Data Bank⁠, i en tävling mot andra modelleringsmetoder som anordnades av CASP⁠. Förutsägelse av proteinstrukturer ingår nu i många program för läkemedelsutveckling som sannolikt kommer att gynna patienter.

   För att bättre kunna förutsäga läkemedelskandidaters ADMET-egenskaper ska OpenADMET-teamet utveckla högkvalitativa dataset som ger underlag för nya prediktiva modeller samt anordna öppna utmaningar för forskare från hela världen.

   

   ”Läkemedelsutveckling är full av allmänna problem som inget enskilt företag eller akademiskt laboratorium med fokus på att bota en viss sjukdom kan lösa på egen hand”, säger James Fraser, fil.dr, styrelseledamot i OpenADMET samt professor och prefekt för bioengineering och terapeutiska vetenskaper vid UCSF. ”OpenADMET skapades för att ta itu med dessa problem på ett öppet sätt som är anpassat för maskininlärning. Vi ser fram emot att bygga det grundläggande lager som gör det möjligt för AI att kraftigt påskynda utvecklingen av nya behandlingar.”

2. CTD Commons⁠ ska bevara och publicera regulatorisk kunskap från misslyckade läkemedelsprogram, så att framtida team kan dra lärdom av tidigare erfarenheter som vanligtvis är oåtkomliga och snabbare hitta effektiva behandlingar för patienter.

   En CTD, eller Common Technical Document, sammanställer hela utvecklingsresan för ett prövningsläkemedel – allt från djurtoxikologi och tillverkningsuppgifter till, kanske mest värdefullt, korrespondens med FDA. Ändå redovisas bara en liten del av arbetet i publicerade artiklar.

   CTD Commons ska undersöka möjligheten att förvärva CTD-dokument från misslyckade eller nedlagda läkemedelsprogram och göra dem öppet tillgängliga för forskning och analys, så att alla kan använda dem.

   ”Varje ansökan till FDA är resultatet av hårt arbete och uppoffringar från forskare, granskare och studiedeltagare. Även när arbetet misslyckas får den värdefulla information som det ger inte gå förlorad”, säger Josh Morrison, huvudorganisatör för CTD Commons och vd för 1Day Sooner. ”CTD Commons kommer att minska dubbelarbete och kostnader samt maximera den kliniska forskningens genomslag.”

3. UNC⁠ ska inrätta Initiative for Generative Immunotherapy och skapa offentliga, multimodala data för att bidra till en framtid där cancerpatienter snabbt kan få individanpassade cancervacciner när de får sin diagnos.

   Dagens cancervacciner mot ”neoantigener” är bland de få läkemedel som utformas beräkningsmässigt för varje enskild patient, genom sekvensering av en tumörcell för att förutsäga vilka tumörspecifika mål som visas på dess yta. Men sekvenseringen är i sig bara ett indirekt mått på verkligheten, eftersom det är svårt och dyrt att mäta målen på cellytan direkt och dessutom kontrollera hur starkt patientens immunsystem reagerar på vart och ett av proteinerna.

   UNC ska kartlägga dessa saknade länkar i hundratals tumörer och flera olika cancertyper. Därmed skapas ett av de första dataseten för träning och utvärdering på området, med avidentifierade offentliga data som forskare världen över kan bygga vidare på.

   ”Individanpassade cancervacciner börjar äntligen visa tecken på klinisk effekt, men det finns fortfarande luckor som med den traditionella modellen för behandlingsutveckling kan ta årtionden att fylla. Högkvalitativa data kan hjälpa oss att fylla dessa luckor snabbare”, säger Alex Rubinsteyn, fil.dr och biträdande professor i genetik vid UNC School of Medicine. ”Vi ser fram emot att förkorta tidsramen och bidra till att göra allmänt effektiva, individanpassade immunterapier till verklighet.”

   

Vår inledande strategi

Vi tror att detta avsnitt är särskilt relevant för forskare som är intresserade av framtida anslag från OpenAI Foundation.

Det finns betydligt fler värdefulla vetenskapliga data att samla in än vad en enskild finansiär kan stödja. Därför vill vi berätta mer för forskarsamhället om de typer av data där vi tror att stöd från OpenAI Foundation kan göra störst nytta.

Våra inledande hypoteser är att vi bör fokusera på sammankopplade data, sällsynta data och direkta data. Dataset som vi finansierar kommer vanligtvis att ha en eller två av dessa egenskaper, som beskrivs närmare nedan. I sällsynta fall har de alla tre.

För alla dataset tror vi att det blir allt viktigare att göra data brett tillgängliga och samtidigt skydda integriteten när det gäller patientdata. Det gör det möjligt för forskare att bygga vidare på varandras arbete och för vetenskapliga framsteg att växa fram på oväntade håll.

1. Sammankopplade data: Att följa biologin genom flera steg

   Biologin utspelar sig på olika skalor, men de flesta livsvetenskapliga dataset fångar bara en del av verkligheten. En cellatlas kan mäta molekyler i tusentals celler, medan avbildning av enskilda molekyler bara följer en enda cell. Båda perspektiven är värdefulla, men eftersom sådana dataset vanligtvis skapas oberoende av varandra kan det krävas flera års uppföljande arbete för att fastställa hur forskningsresultaten hänger samman. Vi vill hjälpa enskilda forskarteam att röra sig metodiskt mellan dessa skalor och skapa innehållsrika, sammankopplade dataset där de olika lagren stärker varandra.

   Vårt anslag till UCSF gör det exempelvis möjligt för OpenADMET-teamet att mäta viktiga molekylära egenskaper och interaktioner hos tiotusentals föreningar. Teamet ska sedan koppla denna breda profilering till två perspektiv på läkemedelstransport: experimentellt fastställda strukturer hos transportproteiner med utvalda bundna molekyler samt analyser som mäter hur dessa proteiner funktionellt interagerar med molekylerna. Slutligen ska de testa en delmängd av föreningarna i modeller av människans blod-hjärnbarriär och jämföra resultaten med in vivo-mätningar på djur.

   Denna metod för datainsamling ger en ovanligt heltäckande bild av vad som avgör hur ett läkemedel rör sig genom kroppen – en bild som gör det möjligt för AI-modeller att ge bättre förutsägelser på den nivå som är viktig för oss människor.

2. Sällsynta data: Att rädda det som inte kan återskapas

   Ingen framtida AI, oavsett hur kapabel den är, kan gå tillbaka och observera biologiska händelser vid särskilda, unika tidpunkter – exempelvis dödsorsaker och orsaker till ohälsa i länder utan tillförlitlig befolkningsstatistik eller innehållet i biologiska patientprover vid specifika tidpunkter som redan har passerat. Biologin är full av sådana oåterkalleliga tillfällen, och framtida utvecklare av modeller kan hitta användningsområden för dessa belägg som dagens forskare inte kan förutse. Vi är därför särskilt intresserade av förslag som samlar in eller bevarar värdefulla data innan möjligheten försvinner, eller som gör befintliga privata dataset som aldrig kan återskapas brett tillgängliga, samtidigt som personlig integritet och individuellt samtycke respekteras.

   Vårt anslag till CTD Commons ska exempelvis undersöka om dokumentation från misslyckade läkemedelsprogram kan räddas innan företag läggs ned och dokumentationen försvinner. På kort sikt kan dokumenten hjälpa team i tidiga faser av läkemedelsutvecklingen att förstå vilka krav tillsynsmyndigheter har ställt på liknande produkter, i stället för att tvingas lära sig genom kostsamma försök och misstag. På lång sikt kan dokumenten hjälpa maskininlärningssystem att upptäcka mönster i varför läkemedel misslyckas eller lyckas. Det kan bana väg för bättre reglering eller prövningsstrategier och göra att patienter snabbare får tillgång till nya behandlingar.

3. Direkta data: Att mäta de biologiska och kliniska tillstånd som ligger närmast det som är viktigt

   Under stora delar av biologins historia har man mätt det som varit enkelt eller billigt att mäta. Till exempel data från enskilda celler i stället för kliniska data från människor, eller RNA-uttryck i stället för proteiner. Dessa indirekta mått har varit oerhört användbara, men de kan också fjärmas från målen att förstå biologin samt förebygga och behandla sjukdomar. I sådana fall vill vi ge forskarna de resurser de behöver för att sammanställa dataset som mäter det som är viktigast. Det kan också vara så att de instrument som krävs för att mäta ”den biologiska sanningen” ännu inte finns eller är orimligt dyra att använda i stor skala. Inom programmet hoppas vi kunna stödja båda typerna av initiativ – nya data och nya verktyg.

   Vårt anslag till UNC för att inrätta Initiative for Generative Immunotherapy gör det exempelvis möjligt för teamet vid UNC Lineberger och UNC Health att ta fram de människobaserade data som krävs för att förbättra nästa generations cancervacciner. Det innebär att mäta ytproteinerna på tumörceller direkt och patienternas T-cellsvar, i stället för att ”bara” sekvensera tumören. Dessa data är dyra att skapa. Genom att göra arbetet heltäckande den här gången och publicera resultaten öppet hoppas vi att alla framtida satsningar på cancervacciner kan dra nytta av dem. Om projektet lyckas kommer framtida vaccinkandidater framför allt att kunna börja doseras till människor med en bättre uppsättning målmolekyler. Det bör öka deras möjligheter att fungera och göra det möjligt att lära sig mer när de inte gör det.

Att säkerställa att data är tillgängliga för forskare

Slutligen ser vi inom alla våra anslag till att de dataset som skapas blir så tillgängliga som möjligt för forskare världen över.

Under stora delar av vetenskapens historia var möjligheten att testa hypoteser en av de största flaskhalsarna för nya upptäckter. Det fanns bara en begränsad mängd ”intelligens” att sätta in på problemen – ett visst antal doktorander och yrkesverksamma forskare som samlade in och analyserade data om ett problem. AI:s fortsatta framsteg inom programmering och dataanalys bryter mot det antagandet. Dataanalys kan bli skalbar i långt större utsträckning, och nya insikter kan växa fram ur samarbeten som är svåra att förutse när uppgifterna samlas in.

Vårt uppdrag är att säkerställa att artificiell generell intelligens gynnar hela mänskligheten. Vetenskapliga data som skapas med vårt stöd bör göras brett tillgängliga, samtidigt som personlig integritet och samtycke skyddas när uppgifter om människor ingår. Men tillgänglighet handlar om mer än att bara offentliggöra rådata. Vi uppmuntrar anslagsmottagarna att publicera sina analyser som preprintartiklar, dela data regelbundet i stället för först när arbetet är klart och, om deras data inte är ”sammankopplade”, samarbeta med dataanvändare för att bedöma nyttan för biologiskt värdefulla problem.

Iterativt lärande

Det här inlägget beskriver vår inledande inriktning för Offentliga data för hälsa. Vi utvecklar aktivt våra ståndpunkter i takt med framstegen inom vetenskap och AI och utifrån samtal med andra i forskarsamhället.

Om du har idéer om Offentliga data för hälsa får du gärna kontakta oss på [email protected]⁠. Du kan prenumerera på vårt nyhetsbrev här⁠ för framtida uppdateringar om våra program och vår finansiering.

Om du tycker att problem som dem i det här inlägget är intressanta nog att arbeta med på heltid söker vi just nu medarbetare till fyra lediga tjänster⁠ i teamet för livsvetenskap och botande av sjukdomar.