சுகாதாரத்திற்கான பொதுத் தரவு

ஏப்ரலில், வாழ்க்கை அறிவியல் மற்றும் நோய்களைக் குணப்படுத்துதல் துறையில் OpenAI Foundation-இன் முதல் திட்டமான அல்சைமருக்கான செயற்கை நுண்ணறிவை நாங்கள் தொடங்கினோம்⁠. இன்று, அறிவியல் துறையில் எங்களது இரண்டாவது திட்டத்தை அறிமுகப்படுத்துகிறோம்: சுகாதாரத்திற்கான பொதுத் தரவு.

பல குடும்பங்களைப் பாதிக்கும் ஒரு நோய்க்குச் சிறந்த சிகிச்சைகளை உருவாக்க விஞ்ஞானிகளுக்குச் செயற்கை நுண்ணறிவு உதவும் என நாங்கள் நம்புகிறோம். அதில் கவனம் செலுத்துவதே அல்சைமருக்கான செயற்கை நுண்ணறிவுத் திட்டத்தின் நோக்கம் ஆகும். ஆராய்ச்சியாளர்களுக்குப் பரவலாகக் கிடைக்கக்கூடிய உயர்தர அறிவியல் தரவுத்தொகுப்புகளை உருவாக்கவும் பாதுகாக்கவும் நிதியளித்து, பல நோய்கள் தொடர்பான வாழ்க்கை அறிவியல் முன்னேற்றத்தைச் சாத்தியமாக்குவதே சுகாதாரத்திற்கான பொதுத் தரவுத் திட்டத்தின் நோக்கம் ஆகும்.

அறிவியல் தரவு என்பது நம்மைச் சுற்றியுள்ள உலகைப் பற்றிய அவதானிப்புகள் ஆகும். ஆராய்ச்சிக்கும் கண்டுபிடிப்புக்கும் இவையே அடிப்படை உள்ளீடுகளாகும். கணிதத்தின் சில பகுதிகளைப் போல, புதிய தரவைச் சேகரிக்காமலேயே முன்னேற்றங்களைச் சரிபார்க்கக்கூடிய துறைகளில், செயற்கை நுண்ணறிவு முறைமைகள் அண்மையில் புதிய⁠ அறிவைப்⁠ பங்களிக்கத்⁠ தொடங்கியுள்ளன. இதற்கிடையில் உயிரியலில், உயிரியல் தகவல்களைப் பெருமளவில் பகுப்பாய்வு செய்யவும், முழுமையற்ற ஆதாரங்களிலிருந்துகூட மறைந்துள்ள கட்டமைப்பைக் கண்டறியவும் செயற்கை நுண்ணறிவு முறைமைகளால் அதிகளவில் முடிகிறது. சில சமயங்களில் அவை வியக்கத்தக்க திறனுடன் இதைச் செய்கின்றன.

எனினும், நோய்களைத் தடுப்பதிலும் சிகிச்சையளிப்பதிலும் எஞ்சியுள்ள பல முக்கிய முன்னேற்றங்கள், புதிய மாடல்களின் நுண்ணறிவை உலகைப் பற்றிய கூடுதல் அவதானிப்புகளுடன், அதாவது கூடுதல் தரவுடன், இணைப்பதன் மூலம் ஏற்படும் என எதிர்பார்க்கிறோம்.

மிகப்பெரிய பொதுப் பயனைக் கொண்ட சில தரவுத்தொகுப்புகளுக்கு நிதியளிக்கத் தேவையான ஊக்கமோ திறனோ எந்தவொரு தனிப்பட்ட நிறுவனத்திடமும் இல்லாததால், அவை உருவாக்கப்படாமலோ பகிரப்படாமலோ போகலாம். இதனால், சுகாதாரத்திற்கான பொதுத் தரவை ஆதரிப்பது OpenAI Foundation-இன் நோக்கத்துடன் நன்கு பொருந்துகிறது.

எங்களது தொடக்க மானியங்கள்

மூலக்கூறுகள், தொற்றுநோயியல், ஒழுங்குமுறை அறிவு எனப் பல தரவு அடுக்குகளை உள்ளடக்கிய, இலாப நோக்கற்ற நிறுவனங்கள் மற்றும் பல்கலைக்கழகங்களின் முதல் தொகுதிக்கு $125 மில்லியனுக்கும் அதிகமான மானியங்களை வழங்கி ஆதரிக்கத் தொடங்குகிறோம்.

நாங்கள் ஆதரிக்கும் திட்டங்களின் சில எடுத்துக்காட்டுகள் இங்கே உள்ளன:

1. உடலில் சிறிய மூலக்கூறுகள் எவ்வாறு உறிஞ்சப்பட்டுப் பரவுகின்றன என்பதைக் கணிக்கச் செயற்கை நுண்ணறிவு மாடல்களுக்குப் பயிற்சியளிக்க முடியுமா என்பதைச் சோதிப்பதற்காக, திறந்த தரவுத்தொகுப்புகள், அளவுகோல்கள் மற்றும் மறைமுகப் போட்டிகளை OpenADMET⁠ உருவாக்கும். இதன் மூலம் மருந்து உருவாக்கத்தை அதிகம் கணிக்கக்கூடியதாக்கி, புதிய மருந்துகளின் தோல்வி விகிதத்தைக் குறைக்கலாம்.

   மருந்தாக உருவாக்கத் தேர்ந்தெடுக்கப்படும் பொருட்களில் 90% மருத்துவப் பரிசோதனைகளில் தோல்வியடைகின்றன⁠. அவை எவ்வாறு உறிஞ்சப்பட்டு உடலில் பயணிக்கும் என்பதை, அதாவது அவற்றின் “ADMET” பண்புகளைக்⁠ கணிப்பதில் உள்ள சிரமமே பெரும்பாலும் இதற்குக் காரணம் ஆகும். வெவ்வேறு மாடல்களின் கணிப்புத் துல்லியத்தை உறுதிப்படுத்தும் உயர்தரத் தரவுடன் இணைக்கும்போது, இதுபோன்ற தீர்க்கப்படாத கணிப்புச் சவால்களுக்கு செயற்கை நுண்ணறிவு மிகவும் பொருத்தமாக இருக்கலாம். எடுத்துக்காட்டாக, CASP⁠ நடத்திய பிற மாடலாக்க அணுகுமுறைகளுக்கு எதிரான போட்டியில், புரதத் தரவு வங்கியின்⁠ தரவைப் பயன்படுத்திப் புரதக் கட்டமைப்புக் கணிப்பில் AlphaFold2 பெரும் மாற்றத்தை ஏற்படுத்தியது. புரதக் கட்டமைப்புக் கணிப்பு இப்போது பல மருந்துக் கண்டுபிடிப்புத் திட்டங்களில் ஒருங்கிணைக்கப்பட்டுள்ளது. அந்தத் திட்டங்கள் எதிர்காலத்தில் நோயாளிகளுக்குப் பயனளிக்கும் வாய்ப்புள்ளது.

   மருந்தாக உருவாக்கத் தேர்ந்தெடுக்கப்படும் பொருட்களின் ADMET பண்புகளைச் சிறப்பாகக் கணிக்க, புதிய கணிப்பு மாடல்களுக்கு ஆதாரமாக உயர்தரத் தரவுத்தொகுப்புகளை OpenADMET குழு உருவாக்கும். உலகெங்கிலும் உள்ள ஆராய்ச்சியாளர்கள் பங்கேற்கக்கூடிய திறந்த சவால்களையும் நடத்தும்.

   

   “ஒரு குறிப்பிட்ட நோயைக் குணப்படுத்துவதில் ஆர்வமுள்ள எந்தத் தனிப்பட்ட நிறுவனமோ கல்வி ஆய்வகமோ தனியாகத் தீர்க்க முடியாத பொதுவான சிக்கல்கள் மருந்துக் கண்டுபிடிப்புத் துறையில் நிறைந்துள்ளன,” என்று OpenADMET நிர்வாகக் குழு உறுப்பினரும் UCSF-இன் உயிரியல் பொறியியல் மற்றும் சிகிச்சை அறிவியல் துறைப் பேராசிரியரும் தலைவருமான முனைவர் ஜேம்ஸ் ஃப்ரேசர் கூறினார். “இந்தச் சிக்கல்களைத் திறந்த முறையிலும் இயந்திரக் கற்றலுக்குத் தயாரான முறையிலும் கையாள OpenADMET உருவாக்கப்பட்டது. புதிய சிகிச்சைகளின் உருவாக்கத்தைச் செயற்கை நுண்ணறிவு பெரிதும் விரைவுபடுத்த உதவும் அடிப்படை அடுக்கை உருவாக்குவதில் நாங்கள் மகிழ்ச்சியடைகிறோம்.”

2. வழக்கமாக வெளியே கிடைக்காத முன்னுதாரணங்களிலிருந்து எதிர்காலக் குழுக்கள் கற்றுக்கொள்ளும் வகையில், தோல்வியடைந்த மருந்து உருவாக்கத் திட்டங்களின் ஒழுங்குமுறை அறிவை CTD Commons⁠ பாதுகாத்து வெளியிடும். இது நோயாளிகளுக்கான பயனுள்ள சிகிச்சைகளை விரைவாகக் கண்டறிய உதவும்.

   CTD அல்லது பொது தொழில்நுட்ப ஆவணம் என்பது ஆய்வுநிலை மருந்தின் முழுப் பயணத்தையும் தொகுக்கும் ஆவணம் ஆகும். விலங்கு நச்சியல், உற்பத்தி விவரங்கள், குறிப்பாக FDA உடனான கடிதத் தொடர்புகள் என அனைத்தும் இதில் அடங்கும். ஆனால், அந்தப் பணியின் மிகச் சிறிய பகுதி மட்டுமே வெளியிடப்பட்ட ஆய்வுக் கட்டுரைகளில் இடம்பெறுகிறது.

   தோல்வியடைந்த அல்லது கைவிடப்பட்ட மருந்துத் திட்டங்களிலிருந்து CTD ஆவணங்களைப் பெறுவதற்கான சாத்தியத்தை CTD Commons சோதித்து, அனைவரும் பயன்படுத்தும் வகையில் ஆராய்ச்சிக்கும் பகுப்பாய்வுக்கும் அவற்றை வெளிப்படையாகக் கிடைக்கச் செய்யும்.

   “ஒவ்வொரு FDA சமர்ப்பிப்பின் பின்னாலும் ஆராய்ச்சியாளர்கள், மதிப்பாய்வாளர்கள் மற்றும் ஆய்வுப் பங்கேற்பாளர்களின் கடின உழைப்பும் தியாகங்களும் உள்ளன. இந்த முயற்சிகள் தோல்வியடைந்தாலும், அவை உருவாக்கும் மதிப்புமிக்க தகவல்கள் வீணாகக்கூடாது,” என்று CTD Commons-இன் முதன்மை ஒருங்கிணைப்பாளரும் 1Day Sooner-இன் தலைவருமான ஜோஷ் மோரிசன் கூறினார். “பணிகளின் மறுநிகழ்வையும் செலவையும் குறைத்து, மருத்துவ ஆராய்ச்சியின் தாக்கத்தை CTD Commons அதிகப்படுத்தும்.”

3. புற்றுநோய் கண்டறியப்பட்டவுடன் நோயாளிகள் விரைவாகத் தனிப்பயனாக்கப்பட்ட புற்றுநோய்த் தடுப்பூசிகளைப் பெறக்கூடிய எதிர்காலத்தை உருவாக்க உதவும் வகையில், பொதுப் பயன்பாட்டுக்கான பன்முகத் தரவை உருவாக்கும் ஜெனரேட்டிவ் நோயெதிர்ப்புச் சிகிச்சை முன்முயற்சியை UNC⁠ நிறுவும்.

   இன்றைய “நியோஆன்டிஜென்” புற்றுநோய்த் தடுப்பூசிகள், ஒவ்வொரு நோயாளிக்கும் கணினி மூலம் தனிப்பட்ட முறையில் வடிவமைக்கப்படும் சில மருந்துகளில் ஒன்றாகும். ஒரு கட்டி செல்லை வரிசைமுறைப்படுத்தி, அதன் மேற்பரப்பில் எந்தக் கட்டிக்கு உரிய இலக்குகள் வெளிப்படுகின்றன என்பதைக் கணித்து இவை வடிவமைக்கப்படுகின்றன. ஆனால் அந்த வரிசைமுறைப்படுத்தலே உண்மையின் மறைமுக அளவீடுதான். ஏனெனில் செல்லின் மேற்பரப்பு இலக்குகளை நேரடியாக அளவிடுவதும், அந்தப் புரதங்கள் ஒவ்வொன்றுக்கும் நோயாளியின் நோயெதிர்ப்பு அமைப்பு எவ்வளவு வலுவாக எதிர்வினையாற்றுகிறது என்பதைச் சோதிப்பதும் கடினமும் செலவுமிக்கவையாகும்.

   நூற்றுக்கணக்கான கட்டிகள் மற்றும் பல்வேறு புற்றுநோய் வகைகளில் விடுபட்டுள்ள இந்த இணைப்புகளை UNC உருவாக்கும். உலகெங்கிலும் உள்ள ஆராய்ச்சியாளர்கள் தொடர்ந்து பயன்படுத்தும் வகையில் அடையாளம் நீக்கப்பட்ட பொதுத் தரவைக் கொண்ட, இத்துறையின் முதல் பயிற்சி மற்றும் மதிப்பீட்டுத் தரவுத்தொகுப்புகளில் ஒன்றையும் உருவாக்கும்.

   “தனிப்பயனாக்கப்பட்ட புற்றுநோய்த் தடுப்பூசிகள் இறுதியாக மருத்துவப் பலனின் அறிகுறிகளைக் காட்டத் தொடங்கியுள்ளன. இருப்பினும், பாரம்பரிய சிகிச்சை உருவாக்க முறையில் நிரப்பப் பல பத்தாண்டுகள் ஆகக்கூடிய இடைவெளிகள் இன்னும் உள்ளன. உயர்தரத் தரவு அந்த இடைவெளிகளை விரைவாக நிரப்ப உதவும்,” என்று UNC மருத்துவப் பள்ளியின் மரபியல் உதவிப் பேராசிரியர் முனைவர் அலெக்ஸ் ரூபின்ஸ்டெய்ன் கூறினார். “இந்தக் காலக்கெடுவைக் குறைத்து, பொதுவாகப் பலனளிக்கும் தனிப்பயனாக்கப்பட்ட நோயெதிர்ப்புச் சிகிச்சைகளை நனவாக்க உதவுவதில் நாங்கள் மகிழ்ச்சியடைகிறோம்.”

   

எங்களது தொடக்க உத்தி

எதிர்கால OpenAI Foundation மானிய வாய்ப்புகளில் ஆர்வமுள்ள ஆராய்ச்சியாளர்களுக்கு இந்தப் பகுதி குறிப்பாகப் பயனுள்ளதாக இருக்கும் என எதிர்பார்க்கிறோம்.

எந்தவொரு தனிப்பட்ட நிதியளிப்பாளராலும் ஆதரிக்க முடிவதைவிட, சேகரிக்க மதிப்புள்ள அறிவியல் தரவு மிக அதிகமாக உள்ளது. எனவே, எந்த வகையான தரவுக்கு OpenAI Foundation-இன் ஆதரவு மிகவும் பயனுள்ளதாக இருக்கும் என நாங்கள் நம்புகிறோம் என்பதை ஆராய்ச்சிச் சமூகத்துடன் இங்கே விரிவாகப் பகிர விரும்புகிறோம்.

தொடக்கத்தில் நாங்கள் கவனம் செலுத்தக் கருதும் தரவு வகைகள்: இணைக்கப்பட்ட தரவு, அரிதான தரவு மற்றும் நேரடித் தரவு. நாங்கள் நிதியளிக்கும் தரவுத்தொகுப்புகள் வழக்கமாகக் கீழே விரிவாக விவரிக்கப்பட்டுள்ள இந்தப் பண்புகளில் ஒன்று அல்லது இரண்டைக் கொண்டிருக்கும். அரிதான சந்தர்ப்பங்களில் மூன்றையும் கொண்டிருக்கும்.

அனைத்துத் தரவுத்தொகுப்புகளிலும், நோயாளித் தரவு சம்பந்தப்பட்ட இடங்களில் தனியுரிமையை உறுதிசெய்தபடி, தரவைப் பரவலாக அணுகக்கூடியதாக ஆக்குவது மேலும் முக்கியமாகும் என நம்புகிறோம். இதன் மூலம் ஆராய்ச்சியாளர்கள் ஒருவரது பணியை மற்றவர் மேம்படுத்த முடியும். எதிர்பாராத இடங்களிலிருந்தும் அறிவியல் முன்னேற்றம் உருவாகும்.

1. இணைக்கப்பட்ட தரவு: பல படிநிலைகளில் உயிரியலைப் பின்தொடர்தல்

   உயிரியல் வெவ்வேறு அளவுகளில் நிகழ்கிறது. ஆனால் யதார்த்தத்தின் ஒரு பகுதியை மட்டுமே பெரும்பாலான வாழ்க்கை அறிவியல் தரவுத்தொகுப்புகள் பதிவு செய்கின்றன. ஒரு செல் வரைபடம் ஆயிரக்கணக்கான செல்களில் உள்ள மூலக்கூறுகளை அளவிடலாம். ஆனால் ஒற்றை மூலக்கூறு படமாக்கம் ஒரே ஒரு செல்லை மட்டுமே பின்தொடரும். இரு பார்வைகளும் மதிப்புமிக்கவை. ஆனால் இதுபோன்ற தரவுத்தொகுப்புகள் வழக்கமாகத் தனித்தனியாக உருவாக்கப்படுவதால், அறிவியல் முடிவுகள் ஒன்றுடன் ஒன்று எவ்வாறு தொடர்புடையவை என்பதைத் தீர்மானிக்கப் பல ஆண்டுகள் தொடர் ஆய்வு தேவைப்படலாம். தனிப்பட்ட ஆராய்ச்சிக் குழுக்கள் இந்த அளவுகளுக்கு இடையே திட்டமிட்டு நகரவும், வெவ்வேறு அடுக்குகள் ஒன்றை ஒன்று வலுப்படுத்தும் செறிவான, இணைக்கப்பட்ட தரவுத்தொகுப்புகளை உருவாக்கவும் ஆதரவளிக்க விரும்புகிறோம்.

   எடுத்துக்காட்டாக, UCSF-க்கு நாங்கள் வழங்கும் மானியம், பல்லாயிரக்கணக்கான சேர்மங்களின் முக்கிய மூலக்கூறுப் பண்புகளையும் இடைவினைகளையும் அளவிட OpenADMET குழுவுக்கு உதவும். பின்னர், இந்த விரிவான பண்பாய்வை மருந்துப் போக்குவரத்தின் இரு பார்வைகளுடன் குழு இணைக்கும். தேர்ந்தெடுக்கப்பட்ட மூலக்கூறுகள் பிணைக்கப்பட்டுள்ள கடத்திப் புரதங்களின் சோதனைமுறையில் தீர்மானிக்கப்பட்ட கட்டமைப்புகளும், மூலக்கூறுகளுடன் இந்தப் புரதங்கள் எவ்வாறு செயல்பாட்டு ரீதியாக இடைவினையாற்றுகின்றன என்பதை அளவிடும் பரிசோதனைகளும் அவையாகும். இறுதியாக, இந்தச் சேர்மங்களின் ஒரு துணைத்தொகுதியை மனித ரத்த-மூளைத் தடுப்பு மாடல்களில் சோதித்து, அந்த முடிவுகளை உயிருள்ள விலங்குகளில் மேற்கொள்ளப்பட்ட அளவீடுகளுடன் ஒப்பிடுவார்கள்.

   இந்தத் தரவுச் சேகரிப்பு அணுகுமுறை, உடலில் ஒரு மருந்து எவ்வாறு நகர்கிறது என்பதை நிர்ணயிக்கும் காரணிகள் குறித்த வழக்கத்திற்கு மாறான முழுமையான பதிவை உருவாக்கும். மனிதர்களுக்கு முக்கியமான அளவில் செயற்கை நுண்ணறிவு மாடல்கள் சிறப்பாகக் கணிக்க இது உதவும்.

2. அரிதான தரவு: மீண்டும் உருவாக்க முடியாதவற்றைப் பாதுகாத்தல்

   எதிர்காலச் செயற்கை நுண்ணறிவு எவ்வளவு திறன்மிக்கதாக இருந்தாலும், குறிப்பிட்ட தனித்துவமான தருணங்களில் நிகழ்ந்த உயிரியல் நிகழ்வுகளைப் பின்னோக்கிச் சென்று கவனிக்க முடியாது. நம்பகமான உயிர்நிலைப் புள்ளிவிவரங்கள் இல்லாத நாடுகளில் மரணம் மற்றும் உடல்நலக் குறைவுக்கான காரணங்கள் அல்லது கடந்துவிட்ட குறிப்பிட்ட தருணங்களில் நோயாளிகளிடமிருந்து பெறப்பட்ட உயிரியல் மாதிரிகளின் உள்ளடக்கம் போன்றவை இதற்கு எடுத்துக்காட்டுகள் ஆகும். உயிரியலில் மீண்டும் திரும்ப முடியாத இதுபோன்ற தருணங்கள் நிறைந்துள்ளன. இன்றைய ஆராய்ச்சியாளர்கள் முன்கூட்டியே அறிய முடியாத பயன்பாடுகளை எதிர்கால மாடல் உருவாக்குநர்கள் இத்தகைய ஆதாரங்களில் கண்டறியலாம். எனவே, வாய்ப்பு மறையும் முன் மதிப்புமிக்க தரவைச் சேகரிக்கும் அல்லது பாதுகாக்கும் முன்மொழிவுகளிலும், தனியுரிமை மற்றும் தனிநபர் ஒப்புதலை மதித்தபடி மீண்டும் உருவாக்கவே முடியாத தற்போதைய தனியார் தரவுத்தொகுப்புகளைப் பரவலாகக் கிடைக்கச் செய்யும் முன்மொழிவுகளிலும் நாங்கள் குறிப்பாக ஆர்வமாக உள்ளோம்.

   எடுத்துக்காட்டாக, நிறுவனங்கள் மூடப்பட்டு அவற்றின் பதிவுகள் மறைவதற்கு முன் தோல்வியடைந்த மருந்து உருவாக்கத் திட்டங்களின் பதிவுகளைப் பாதுகாக்க முடியுமா என்பதை CTD Commons-க்கு நாங்கள் வழங்கும் மானியம் ஆராயும். குறுகிய காலத்தில், தொடக்கநிலை மருந்து உருவாக்கக் குழுக்கள், செலவுமிக்க முயற்சி மற்றும் பிழை முறையில் கற்றுக்கொள்வதற்குப் பதிலாக, ஒத்த தயாரிப்புகளிடம் ஒழுங்குமுறை அமைப்புகள் எவை தேவைப்பட்டன என்பதைப் புரிந்துகொள்ள இந்த ஆவணங்கள் உதவலாம். நீண்ட காலத்தில், மருந்துகள் ஏன் தோல்வியடைகின்றன அல்லது வெற்றிபெறுகின்றன என்பதற்கான வடிவங்களை இயந்திரக் கற்றல் முறைமைகள் கண்டறிய ஆதாரங்களாக இந்த ஆவணங்கள் அமையலாம். இதனால் ஒழுங்குமுறை அல்லது பரிசோதனை உத்திகளில் மேம்பாடுகள் ஏற்பட்டு, நோயாளிகள் புதிய சிகிச்சைகளின் பலனை விரைவில் பெறலாம்.

3. நேரடித் தரவு: முக்கியமானவற்றுக்கு மிக நெருக்கமான உயிரியல் மற்றும் மருத்துவ நிலைகளை அளவிடுதல்

   உயிரியல் துறையின் பெரும்பாலான வரலாற்றில், எளிதாக அல்லது குறைந்த செலவில் அளவிடக்கூடியவையே அளவிடப்பட்டன. எடுத்துக்காட்டாக, மனித மருத்துவத் தரவுக்குப் பதிலாகத் தனிப்பட்ட செல் தரவை அளவிடுதல் அல்லது புரதங்களுக்குப் பதிலாக RNA வெளிப்பாட்டை அளவிடுதல். இந்த மறைமுக அளவீடுகள் பெரிதும் பயனளித்துள்ளன. ஆனால் உயிரியலைப் புரிந்துகொள்வது, நோய்களைத் தடுப்பது மற்றும் சிகிச்சையளிப்பது ஆகிய இலக்குகளிலிருந்து அவை விலகிச் செல்லவும் முடியும். இதுபோன்ற சூழல்களில், மிக முக்கியமானவற்றை அளவிடும் தரவுத்தொகுப்புகளை உருவாக்கத் தேவையான வளங்களை ஆராய்ச்சியாளர்களுக்கு வழங்க விரும்புகிறோம். “உயிரியல் உண்மையை” அளவிடத் தேவையான கருவிகள் இன்னும் உருவாகாமல் இருக்கலாம் அல்லது அவற்றைப் பெருமளவில் பயன்படுத்துவது தாங்க முடியாத செலவுடையதாக இருக்கலாம். இந்தத் திட்டத்தின் கீழ் புதிய தரவு மற்றும் புதிய கருவிகள் ஆகிய இரு முன்முயற்சிகளையும் ஆதரிக்க விரும்புகிறோம்.

   எடுத்துக்காட்டாக, ஜெனரேட்டிவ் நோயெதிர்ப்புச் சிகிச்சை முன்முயற்சியை நிறுவ UNC-க்கு நாங்கள் வழங்கும் மானியம், அடுத்த தலைமுறைப் புற்றுநோய்த் தடுப்பூசிகளை மேம்படுத்தத் தேவையான மனிதர்களை அடிப்படையாகக் கொண்ட தரவை உருவாக்க UNC Lineberger மற்றும் UNC Health குழுவுக்கு உதவும். அதாவது, கட்டியை “வெறுமனே” வரிசைமுறைப்படுத்துவதற்குப் பதிலாக, கட்டி செல்களின் மேற்பரப்புப் புரதங்களையும் நோயாளிகளின் T செல் எதிர்வினைகளையும் நேரடியாக அளவிடுவது. இந்தத் தரவை உருவாக்குவது செலவுமிக்கது. இம்முறை அதை விரிவாகச் செய்து முடிவுகளைப் பொதுவில் வெளியிடுவதன் மூலம், எதிர்காலப் புற்றுநோய்த் தடுப்பூசி முயற்சிகள் அனைத்தும் பயனடையும் என நம்புகிறோம். குறிப்பாக, இந்தத் திட்டம் வெற்றிபெற்றால், எதிர்காலத் தடுப்பூசி மருந்துகள் வலுவான இலக்குகளுடன் மனிதர்களுக்கான அளவீட்டுச் சோதனையில் நுழைய முடியும். இது அவை செயல்படுவதற்கான வாய்ப்புகளை மேம்படுத்தும். அவை செயல்படாதபோது அவற்றிலிருந்து கற்றுக்கொள்ளக்கூடியவற்றையும் அதிகரிக்கும்.

ஆராய்ச்சியாளர்களுக்குத் தரவு அணுகக்கூடியதாக இருப்பதை உறுதிசெய்தல்

இறுதியாக, எங்களது அனைத்து மானியங்களிலும், அவற்றின் விளைவாக உருவாகும் தரவுத்தொகுப்புகளை உலகெங்கிலும் உள்ள ஆராய்ச்சியாளர்கள் இயன்றவரை எளிதாக அணுக முடிவதை உறுதிசெய்கிறோம்.

அறிவியல் வரலாற்றின் பெரும்பகுதியில், கருதுகோள்களைச் சோதிப்பதே கண்டுபிடிப்புக்கான முதன்மைத் தடையாக இருந்தது. சிக்கல்களைத் தீர்க்கப் பயன்படுத்தக்கூடிய “நுண்ணறிவின்” அளவு குறைவாகவே இருந்தது. குறிப்பிட்ட எண்ணிக்கையிலான முதுநிலை ஆய்வு மாணவர்களும் தொழில்முறை விஞ்ஞானிகளும் ஒரு சிக்கலைச் சுற்றித் தரவை உருவாக்கி அதைப் பகுப்பாய்வு செய்தனர். நிரலாக்கம் மற்றும் தரவுப் பகுப்பாய்வில் செயற்கை நுண்ணறிவு தொடர்ந்து அடையும் முன்னேற்றம் அந்த அனுமானத்தை உடைக்கிறது. தரவுப் பகுப்பாய்வை மிகப் பெரிய அளவில் மேற்கொள்ள முடியும். தரவு உருவாக்கப்படும் நேரத்தில் முன்கூட்டியே கணிக்கக் கடினமான ஒத்துழைப்புகளிலிருந்தும் புதிய புரிதல்கள் உருவாகலாம்.

மனிதகுலம் முழுவதற்கும் ஆர்டிஃபிஷியல் ஜெனரல் இன்டெலிஜென்ஸ் பயனளிப்பதை உறுதிசெய்வதே எங்களது நோக்கம் ஆகும். எங்கள் ஆதரவுடன் உருவாக்கப்படும் அறிவியல் தரவு பரவலாகக் கிடைக்கச் செய்யப்பட வேண்டும். மனிதத் தரவு சம்பந்தப்பட்ட இடங்களில் தனிநபர் தனியுரிமையும் ஒப்புதலும் பாதுகாக்கப்பட வேண்டும். ஆனால் அணுகல்தன்மை என்பது மூலத் தரவை வெளியிடுவதுடன் மட்டும் முடிவதல்ல. மானியம் பெறுபவர்கள் தங்கள் பகுப்பாய்வுகளை முன்வெளியீடுகளாக வெளியிடவும், இறுதியில் மட்டும் வெளியிடாமல் தொடர்ந்து தரவைப் பகிரவும் ஊக்குவிக்கிறோம். அவர்களது தரவு “இணைக்கப்பட்டதாக” இல்லாவிட்டால், உயிரியல் ரீதியாக மதிப்புமிக்க சிக்கல்களில் அதன் பயனை மதிப்பிடத் தரவுப் பயனர்களுடன் இணைந்து செயல்படவும் ஊக்குவிக்கிறோம்.

தொடர்ச்சியான கற்றல்

சுகாதாரத்திற்கான பொதுத் தரவுத் திட்டம் குறித்த எங்களது தொடக்க அணுகுமுறையை இந்தப் பதிவு விளக்குகிறது. அறிவியலும் செயற்கை நுண்ணறிவும் முன்னேறும்போதும், ஆராய்ச்சிச் சமூகத்தில் உள்ள பிறருடன் உரையாடும்போதும் எங்களது கண்ணோட்டங்களைத் தொடர்ந்து புதுப்பிக்கிறோம்.

சுகாதாரத்திற்கான பொதுத் தரவுத் திட்டம் குறித்து உங்களிடம் யோசனைகள் இருந்தால், [email protected]⁠ என்ற முகவரியில் எங்களைத் தொடர்புகொள்ளுங்கள். எங்களது திட்டங்கள் மற்றும் நிதியுதவி குறித்த எதிர்காலத் தகவல்களைப் பெற, எங்கள் செய்திமடலுக்கு இங்கே⁠ சந்தா செலுத்தலாம்.

இந்தப் பதிவில் விவாதிக்கப்பட்டுள்ள சிக்கல்களைப் பற்றி முழுநேரமாகச் சிந்திப்பது உங்களுக்கு ஆர்வமளித்தால், வாழ்க்கை அறிவியல் மற்றும் நோய்களைக் குணப்படுத்துதல் குழுவில் உள்ள நான்கு காலிப் பணியிடங்களுக்கு⁠ தற்போது ஆட்களைத் தேர்ந்தெடுக்கிறோம்.