Health కోసం ప్రజా డేటా
ఏప్రిల్‌లో, జీవ శాస్త్రాలు, వ్యాధుల చికిత్స రంగంలో OpenAI Foundation తొలి కార్యక్రమమైన అల్జీమర్స్ కోసం AIని ప్రారంభించాము. ఈ రోజు మా రెండో శాస్త్రీయ కార్యక్రమాన్ని పరిచయం చేస్తున్నాము: Health కోసం ప్రజా డేటా.
AI శాస్త్రవేత్తలు మెరుగైన చికిత్సలను అభివృద్ధి చేయడంలో తోడ్పడగలదని మేము భావిస్తున్నందున, అనేక కుటుంబాలను ప్రభావితం చేసే ఒక వ్యాధిని ఎదుర్కోవడంపై అల్జీమర్స్ కోసం AI కార్యక్రమం దృష్టి సారిస్తుంది. పరిశోధకులకు విస్తృతంగా అందుబాటులో ఉండే అధిక నాణ్యతగల శాస్త్రీయ డేటాసెట్‌ల సృష్టి, పరిరక్షణకు నిధులివ్వడం ద్వారా అనేక వ్యాధులకు సంబంధించి జీవ శాస్త్రాల పురోగతికి తోడ్పడటంపై Health కోసం ప్రజా డేటా కార్యక్రమం దృష్టి సారిస్తుంది.
శాస్త్రీయ డేటా అంటే మన చుట్టూ ఉన్న ప్రపంచానికి సంబంధించిన పరిశీలనలు, అవే పరిశోధన, ఆవిష్కరణలకు పునాది. గణితంలోని కొన్ని విభాగాల మాదిరిగా, కొత్త డేటాను సేకరించకుండానే పురోగతిని ధ్రువీకరించగల రంగాల్లో AI వ్యవస్థలు ఇటీవల కొత్త జ్ఞానాన్ని అందించడం ప్రారంభించాయి. మరోవైపు, జీవశాస్త్రంలో AI వ్యవస్థలు జీవసంబంధ సమాచారాన్ని భారీ స్థాయిలో విశ్లేషించి, అసంపూర్ణ ఆధారాల్లోనూ దాగి ఉన్న నిర్మాణాన్ని వెలికితీయగలుగుతున్నాయి. కొన్ని సార్లు అవి ఆశ్చర్యకరమైన సమర్థతతో ఈ పని చేస్తున్నాయి.
అయితే, వ్యాధుల నివారణ, చికిత్సలో మిగిలిన అనేక కీలక పురోగతులు కొత్త మోడళ్ల ఇంటెలిజెన్స్‌కు ప్రపంచంపై మరిన్ని పరిశీలనలను, అంటే మరింత డేటాను జోడించడం ద్వారా వస్తాయని మేము ఆశిస్తున్నాము.
అపారమైన ప్రజా ప్రయోజనం ఉన్న కొన్ని డేటాసెట్‌లకు నిధులివ్వడానికి ఏ ఒక్క సంస్థకూ తగిన ప్రోత్సాహం లేదా సామర్థ్యం లేకపోవడంతో అవి ఎప్పటికీ సృష్టించబడకపోవచ్చు లేదా పంచుకోబడకపోవచ్చు. అందుకే Health కోసం ప్రజా డేటాకు మద్దతివ్వడం OpenAI Foundation లక్ష్యాలకు చక్కగా సరిపోతుంది.
మా తొలి గ్రాంట్లు
అణువుల నుంచి వ్యాధి వ్యాప్తి శాస్త్రం, నియంత్రణ సంబంధిత పరిజ్ఞానం వరకు అనేక స్థాయుల డేటాపై పనిచేసే తొలి విడత లాభాపేక్షలేని సంస్థలు, విశ్వవిద్యాలయాలకు $125 మిలియన్లకు పైగా గ్రాంట్లతో మద్దతివ్వడం ప్రారంభిస్తున్నాము.
మేము మద్దతిస్తున్న ప్రాజెక్టుల్లో కొన్ని ఉదాహరణలు ఇవి:
చిన్న అణువులు శరీరంలో ఎలా శోషించబడి, పంపిణీ అవుతాయో అంచనా వేయడానికి AI మోడళ్లకు శిక్షణ ఇవ్వగలమా అని పరీక్షించేందుకు OpenADMET బహిరంగ డేటాసెట్‌లు, ప్రమాణాలు, వివరాలు వెల్లడించని పోటీలను రూపొందిస్తుంది. దీనివల్ల ఔషధ అభివృద్ధిని మరింత అంచనా వేయగలిగేలా చేసి, కొత్త ఔషధాల వైఫల్య రేటును తగ్గించవచ్చు.
ఔషధ అభ్యర్థుల్లో 90% వైద్య పరీక్షల్లో విఫలమవుతాయి. అవి శరీరంలో ఎలా శోషించబడతాయి, ఎలా ప్రయాణిస్తాయి అనే వాటి “ADMET” లక్షణాలను అంచనా వేయడం కష్టంగా ఉండటమే తరచూ దీనికి కారణం. వేర్వేరు మోడళ్ల అంచనాల కచ్చితత్వాన్ని నిర్ధారించే అధిక నాణ్యత గల డేటాతో జోడించినప్పుడు, ఇలాంటి అపరిష్కృత అంచనా సవాళ్లకు AI చక్కగా సరిపోవచ్చు. ఉదాహరణకు, Protein Data Bankలోని డేటాను ఉపయోగించి AlphaFold2 ప్రోటీన్ నిర్మాణ అంచనాను సమూలంగా మార్చింది. CASP నిర్వహించిన పోటీలో ఇది ఇతర నమూనా పద్ధతులతో పోటీపడింది. ప్రోటీన్ నిర్మాణ అంచనా ఇప్పుడు అనేక ఔషధ అన్వేషణ కార్యక్రమాల్లో భాగమైంది. ఇవి భవిష్యత్తులో రోగులకు ప్రయోజనం చేకూర్చే అవకాశం ఉంది.
ఔషధ అభ్యర్థుల ADMET లక్షణాలను మెరుగ్గా అంచనా వేయడానికి, కొత్త అంచనా మోడళ్లకు ఆధారమయ్యే అధిక నాణ్యతగల డేటాసెట్‌లను OpenADMET బృందం అభివృద్ధి చేసి, ప్రపంచవ్యాప్తంగా పరిశోధకులు పాల్గొనగల బహిరంగ సవాళ్లను నిర్వహిస్తుంది.
ADMET అంచనా సవాళ్లలో పాల్గొనేవారి కోసం ఇటీవల నిర్వహించిన OpenADMET కార్యక్రమంలో ప్రదర్శన. చిత్ర సౌజన్యం: నయోమి హ్యాండ్లీ.
“ఒక నిర్దిష్ట వ్యాధికి చికిత్స కనుగొనాలనుకునే ఏ ఒక్క కంపెనీ లేదా విద్యా ప్రయోగశాల ఒంటరిగా పరిష్కరించలేని సార్వత్రిక సమస్యలు ఔషధ అన్వేషణ రంగంలో ఎన్నో ఉన్నాయి” అని OpenADMET పాలక మండలి సభ్యుడు, UCSFలో బయోఇంజినీరింగ్, చికిత్సా శాస్త్రాల ప్రొఫెసర్, విభాగాధిపతి జేమ్స్ ఫ్రేజర్, PhD అన్నారు. “ఈ సమస్యలను బహిరంగంగా, యంత్ర అభ్యాసానికి సిద్ధంగా ఉన్న రీతిలో పరిష్కరించేందుకు OpenADMETను రూపొందించాము. కొత్త చికిత్సల అభివృద్ధిని AI గణనీయంగా వేగవంతం చేయడానికి అవసరమైన ప్రాథమిక స్థాయిని నిర్మించగలగడం మాకు ఎంతో ఆనందంగా ఉంది.”
విఫలమైన ఔషధ అభివృద్ధి కార్యక్రమాల్లోని నియంత్రణ సంబంధిత పరిజ్ఞానాన్ని CTD Commons సంరక్షించి, ప్రచురిస్తుంది. సాధారణంగా బయటకు రాని గత అనుభవాల నుంచి భవిష్యత్ బృందాలు నేర్చుకుని, రోగులకు ప్రభావవంతమైన చికిత్సలను వేగంగా కనుగొనేందుకు ఇది తోడ్పడుతుంది.
CTD లేదా కామన్ టెక్నికల్ డాక్యుమెంట్ అనేది పరిశోధన దశలోని ఔషధం సాగించిన పూర్తి ప్రయాణాన్ని సమీకరించే డాక్యుమెంట్—జంతు విషశాస్త్రం, తయారీ వివరాలు, మరియు, మరీ ముఖ్యంగా, FDAతో జరిపిన ఉత్తరప్రత్యుత్తరాలు అన్నీ ఇందులో ఉంటాయి.
విఫలమైన లేదా నిలిపివేసిన ఔషధ కార్యక్రమాల నుంచి CTDలను సేకరించే అవకాశాన్ని CTD Commons పరీక్షించి, ప్రతి ఒక్కరూ ఉపయోగించుకునేలా పరిశోధన, విశ్లేషణ కోసం వాటిని బహిరంగంగా అందుబాటులో ఉంచుతుంది.
“FDAకు సమర్పించే ప్రతి దరఖాస్తు వెనుక పరిశోధకులు, సమీక్షకులు, అధ్యయనంలో పాల్గొన్నవారి కఠిన శ్రమ, త్యాగాలు ఉంటాయి. ఈ ప్రయత్నాలు విఫలమైనా, వాటి నుంచి లభించే విలువైన సమాచారం వృథా కాకూడదు” అని CTD Commons ప్రధాన నిర్వాహకుడు, 1Day Sooner అధ్యక్షుడు జోష్ మోరిసన్ అన్నారు. “CTD Commons పునరావృత పనిని, వ్యయాన్ని తగ్గించి, వైద్య పరిశోధన ప్రభావాన్ని గరిష్ఠం చేస్తుంది.”
UNC ఉత్పాదక రోగనిరోధక చికిత్స కార్యక్రమాన్ని స్థాపించి, ప్రజలకు అందుబాటులో ఉండే బహుమాధ్యమ డేటాను రూపొందిస్తుంది. దీనివల్ల భవిష్యత్తులో క్యాన్సర్ నిర్ధారణ అయిన వెంటనే రోగులు వేగంగా వ్యక్తిగతీకరించిన క్యాన్సర్ టీకాలను పొందగలుగుతారు.
నేటి “నియోయాంటిజెన్” క్యాన్సర్ టీకాలు ప్రతి రోగి కోసం గణన పద్ధతిలో రూపొందించే కొద్ది ఔషధాల్లో ఒకటి. కణితి కణాన్ని క్రమనిర్ణయం చేసి, దాని ఉపరితలంపై ఏ కణితి-నిర్దిష్ట లక్ష్యాలు కనిపిస్తాయో అంచనా వేసి వీటిని రూపొందిస్తారు. అయితే, ఆ క్రమనిర్ణయం వాస్తవానికి ప్రత్యామ్నాయ సూచిక మాత్రమే. కణ ఉపరితల లక్ష్యాలను నేరుగా కొలవడం, వాటిలో ప్రతి ప్రోటీన్‌కు రోగి రోగనిరోధక వ్యవస్థ ఎంత బలంగా స్పందిస్తుందో పరీక్షించడం కష్టమైనది, ఖరీదైనది.
వందలాది కణితులు, పలు రకాల క్యాన్సర్లలో లోపించిన ఈ సంబంధాలను UNC గుర్తిస్తుంది. ప్రపంచవ్యాప్తంగా పరిశోధకులు మరింత అభివృద్ధి చేయగలిగేలా గుర్తింపు తొలగించిన ప్రజా డేటాతో ఈ రంగంలోని తొలి శిక్షణ, మూల్యాంకన డేటాసెట్‌లలో ఒకదాన్ని రూపొందిస్తుంది.
“వ్యక్తిగతీకరించిన క్యాన్సర్ టీకాలు ఎట్టకేలకు వైద్యపరమైన ప్రభావ సంకేతాలను చూపడం ప్రారంభించాయి. అయినా, సంప్రదాయ చికిత్సా అభివృద్ధి నమూనాలో పూడ్చడానికి దశాబ్దాలు పట్టే లోటుపాట్లు ఇంకా ఉన్నాయి. అధిక నాణ్యతగల డేటా ఆ లోటుపాట్లను వేగంగా పూడ్చడంలో మాకు తోడ్పడుతుంది” అని UNC స్కూల్ ఆఫ్ మెడిసిన్‌లో జన్యుశాస్త్ర సహాయ ప్రొఫెసర్ అలెక్స్ రూబిన్‌స్టెయిన్, PhD అన్నారు. “ఈ కాలవ్యవధిని తగ్గించి, విస్తృతంగా ప్రభావవంతమైన వ్యక్తిగతీకరించిన రోగనిరోధక చికిత్సలను వాస్తవం చేయడంలో తోడ్పడటానికి మేము ఉత్సాహంగా ఉన్నాము.”
నార్త్ కరోలైనా విశ్వవిద్యాలయంలో వ్యక్తిగతీకరించిన క్యాన్సర్ టీకాలపై పనిచేస్తున్న ప్రయోగశాల సభ్యులు. చిత్ర సౌజన్యం: UNC.
మా తొలి వ్యూహం
భవిష్యత్తులో OpenAI Foundation గ్రాంట్ అవకాశాలపై ఆసక్తి ఉన్న పరిశోధకులకు ఈ విభాగం ప్రత్యేకంగా ఉపయోగపడుతుందని మేము భావిస్తున్నాము.
ఏ ఒక్క నిధుల సంస్థ మద్దతివ్వగలిగే దానికంటే సేకరించడానికి విలువైన శాస్త్రీయ డేటా ఎంతో ఎక్కువగా ఉంది. అందువల్ల, OpenAI Foundation మద్దతు ఏ రకమైన డేటాకు అత్యంత ఉపయోగకరంగా ఉంటుందని మేము భావిస్తున్నామో పరిశోధక సమాజంతో ఇక్కడ మరింత వివరంగా షేర్ చేయాలనుకుంటున్నాము.
మొదటగా మేము దృష్టి సారించాలనుకుంటున్నవి: అనుసంధానిత డేటా, అరుదైన డేటా, ప్రత్యక్ష డేటా. మేము నిధులిచ్చే డేటాసెట్‌లలో సాధారణంగా దిగువన మరింత వివరంగా పేర్కొన్న ఈ లక్షణాల్లో ఒకటి లేదా రెండు ఉంటాయి. అరుదైన సందర్భాల్లో మూడు లక్షణాలూ ఉంటాయి.
అన్ని డేటాసెట్‌ల విషయంలోనూ డేటాను విస్తృతంగా అందుబాటులో ఉంచడం, రోగుల డేటా ఉన్నప్పుడు గోప్యతను నిర్ధారించడం, మరింత ముఖ్యమవుతాయని మేము భావిస్తున్నాము. దీనివల్ల పరిశోధకులు పరస్పరం చేసిన కృషిని కొనసాగించగలరు, ఊహించని చోట్ల నుంచి శాస్త్రీయ పురోగతి ఉద్భవించగలదు.
అనుసంధానిత డేటా: జీవశాస్త్రాన్ని పలు దశల్లో ఫాలో అవ్వడం
జీవ ప్రక్రియలు వివిధ స్థాయుల్లో సాగుతాయి. కానీ చాలా జీవ శాస్త్ర డేటాసెట్‌లు వాస్తవంలోని ఒక భాగాన్ని మాత్రమే నమోదు చేస్తాయి. కణ పటం వేలాది కణాల్లోని అణువులను కొలవవచ్చు. అదే ఏక-అణు చిత్రీకరణ ఒక కణాన్ని మాత్రమే ఫాలో అవుతుంది. రెండు దృక్కోణాలూ విలువైనవే. అయితే, ఇలాంటి డేటాసెట్‌లు సాధారణంగా విడివిడిగా రూపొందడం వల్ల శాస్త్రీయ ఫలితాల మధ్య సంబంధాన్ని నిర్ధారించడానికి తదుపరి పరిశోధనలో ఏళ్ల సమయం పట్టవచ్చు. పరిశోధక బృందాలు ఈ స్థాయుల మధ్య ఉద్దేశపూర్వకంగా మారుతూ, వివిధ పొరలు ఒకదానికొకటి బలం చేకూర్చే సమగ్ర, అనుసంధానిత డేటాసెట్‌లను రూపొందించడానికి మద్దతివ్వాలనుకుంటున్నాము.
ఉదాహరణకు, UCSFకు మేమిచ్చే గ్రాంట్‌తో OpenADMET బృందం పదివేల కొద్దీ సమ్మేళనాల కీలక అణు లక్షణాలు, పరస్పర చర్యలను కొలవగలదు. తర్వాత బృందం ఈ విస్తృత విశ్లేషణను ఔషధ రవాణాకు సంబంధించిన రెండు దృక్కోణాలతో అనుసంధానిస్తుంది: ఎంచుకున్న అణువులు బంధించిన రవాణా ప్రోటీన్ల ప్రయోగాత్మకంగా నిర్ధారించిన నిర్మాణాలు, ఈ ప్రోటీన్లు అణువులతో క్రియాత్మకంగా ఎలా పరస్పర చర్య జరుపుతాయో కొలిచే పరీక్షలు. చివరగా, ఈ సమ్మేళనాల్లో కొన్నింటిని మానవ రక్త-మెదడు అవరోధ మోడళ్లలో పరీక్షించి, ఆ ఫలితాలను జంతువులపై చేసిన ప్రత్యక్ష కొలతలతో పోలుస్తారు.
డేటా సేకరణకు ఈ విధానం శరీరంలో ఔషధం ఎలా ప్రయాణిస్తుందో నిర్ణయించే అంశాలపై అసాధారణంగా సమగ్ర సమాచారాన్ని అందిస్తుంది. మనుషులకు ముఖ్యమైన స్థాయిలో AI మోడళ్లు మెరుగైన అంచనాలు వేయడానికి ఇది తోడ్పడుతుంది.
అరుదైన డేటా: మళ్లీ సృష్టించలేని దాన్ని సంరక్షించడం
భవిష్యత్తులో AI ఎంత సామర్థ్యవంతమైనదైనా, గతంలో నిర్దిష్టమైన, ప్రత్యేకమైన సమయంలో జరిగిన జీవసంబంధ ఘటనలను వెనక్కి వెళ్లి పరిశీలించలేదు. ఉదాహరణకు, విశ్వసనీయ జీవన గణాంకాలు లేని దేశాల్లో మరణాలు, అనారోగ్యానికి గల కారణాలు లేదా గతంలోని నిర్దిష్ట సమయాల్లో రోగుల నుంచి తీసుకున్న జీవ నమూనాల్లోని అంశాలు. జీవశాస్త్రంలో వెనక్కి వెళ్లలేని ఇలాంటి సందర్భాలు ఎన్నో ఉన్నాయి. నేటి పరిశోధకులు ఊహించలేని ప్రయోజనాలను భవిష్యత్ నమూనా రూపకర్తలు ఈ ఆధారాల్లో కనుగొనవచ్చు. అందువల్ల, అవకాశం కనుమరుగయ్యేలోపు విలువైన డేటాను సేకరించే లేదా సంరక్షించే ప్రతిపాదనలపై మాకు ప్రత్యేక ఆసక్తి ఉంది. అలాగే, గోప్యత, వ్యక్తిగత సమ్మతిని గౌరవిస్తూ మళ్లీ ఎన్నటికీ సృష్టించలేని ప్రైవేట్ డేటాసెట్‌లను విస్తృతంగా అందుబాటులోకి తెచ్చే ప్రతిపాదనలపైనా ఆసక్తి ఉంది.
ఉదాహరణకు, కంపెనీలు మూతపడటంతో వాటి రికార్డులు కనుమరుగయ్యేలోపు విఫలమైన ఔషధ అభివృద్ధి కార్యక్రమాల రికార్డులను కాపాడగలమా అని CTD Commonsకు మా గ్రాంట్ పరిశీలిస్తుంది. స్వల్పకాలంలో, ఖరీదైన ప్రయత్నాలు చేసి విఫలమై నేర్చుకునే బదులు, ఇలాంటి ఉత్పత్తుల నుంచి నియంత్రణ సంస్థలు ఏమి కోరుతున్నాయో అర్థం చేసుకోవడానికి ఈ డాక్యుమెంట్‌లు ప్రారంభ దశ ఔషధ అభివృద్ధి బృందాలకు తోడ్పడవచ్చు. దీర్ఘకాలంలో, ఔషధాలు ఎందుకు విఫలమవుతున్నాయి లేదా విజయవంతమవుతున్నాయి అనే నమూనాలను కనుగొనడానికి ఈ డాక్యుమెంట్‌లు యంత్ర అభ్యాస వ్యవస్థలకు వనరులుగా ఉపయోగపడవచ్చు. తద్వారా నియంత్రణ లేదా పరీక్షా వ్యూహాల్లో మెరుగుదలలు వచ్చి, రోగులు కొత్త చికిత్సల ప్రయోజనాలను త్వరగా పొందగలరు.
ప్రత్యక్ష డేటా: అత్యంత ముఖ్యమైన అంశాలకు దగ్గరగా ఉన్న జీవసంబంధ, వైద్య స్థితులను కొలవడం
జీవశాస్త్ర చరిత్రలో చాలాకాలం సులభంగా లేదా తక్కువ ఖర్చుతో కొలవగల అంశాలనే కొలిచారు. ఉదాహరణకు, మానవ వైద్య డేటాకు బదులు వ్యక్తిగత కణాల డేటాను లేదా ప్రోటీన్లకు బదులు RNA వ్యక్తీకరణను కొలవడం. ఈ ప్రత్యామ్నాయ సూచికలు ఎంతో ఉపయోగపడ్డాయి. కానీ అవి జీవశాస్త్రాన్ని అర్థం చేసుకోవడం, వ్యాధులను నివారించడం, చికిత్స చేయడం వంటి లక్ష్యాల నుంచి దూరమయ్యే అవకాశం కూడా ఉంది. ఇలాంటి సందర్భాల్లో అత్యంత ముఖ్యమైన అంశాలను కొలిచే డేటాసెట్‌లను రూపొందించడానికి పరిశోధకులకు అవసరమైన వనరులను అందించాలనుకుంటున్నాము. “జీవసంబంధ సత్యాన్ని” కొలవడానికి అవసరమైన పరికరాలు ఇంకా లేకపోవచ్చు లేదా వాటిని భారీ స్థాయిలో ఉపయోగించడం భరించలేనంత ఖరీదై ఉండవచ్చు. ఈ కార్యక్రమంలో కొత్త డేటా, కొత్త సాధనాలు అనే రెండు రకాల కార్యక్రమాలకూ మద్దతివ్వాలని ఆశిస్తున్నాము.
ఉదాహరణకు, ఉత్పాదక రోగనిరోధక చికిత్స కార్యక్రమాన్ని స్థాపించేందుకు UNCకు మేమిచ్చే గ్రాంట్‌తో తదుపరి తరం క్యాన్సర్ టీకాలను మెరుగుపరచడానికి అవసరమైన మానవ-ఆధారిత డేటాను UNC Lineberger, UNC Health బృందాలు రూపొందించగలవు. అంటే కణితిని “కేవలం” క్రమనిర్ణయం చేయడానికి బదులు, కణితి కణాల ఉపరితల ప్రోటీన్లను నేరుగా, అలాగే రోగుల T కణ ప్రతిస్పందనలను కొలవడం. ఈ డేటాను రూపొందించడం ఖరీదైనది. ఈసారి సమగ్రంగా రూపొందించి, ఫలితాలను బహిరంగంగా అందుబాటులో ఉంచడం ద్వారా భవిష్యత్తులో క్యాన్సర్ టీకాలపై జరిగే అన్ని ప్రయత్నాలకూ ప్రయోజనం చేకూరుతుందని ఆశిస్తున్నాము. ముఖ్యంగా, ఈ ప్రాజెక్ట్ విజయవంతమైతే భవిష్యత్ టీకా అభ్యర్థులు మరింత బలమైన లక్ష్యాలతో మానవ మోతాదు పరీక్షల్లో ప్రవేశించగలరు. అది అవి పనిచేసే అవకాశాలను మెరుగుపరచాలి. అవి పనిచేయనప్పుడు మరింత సమాచారం తెలుసుకునే వీలు కల్పించాలి.
పరిశోధకులకు డేటా అందుబాటులో ఉండేలా చూడటం
చివరగా, మా గ్రాంట్లన్నింటి ద్వారా రూపొందే డేటాసెట్‌లు ప్రపంచవ్యాప్తంగా పరిశోధకులకు సాధ్యమైనంత సులభంగా అందుబాటులో ఉండేలా చూస్తున్నాము.
శాస్త్రీయ చరిత్రలో చాలా కాలం ఆవిష్కరణలకు పరికల్పనలను పరీక్షించడమే ప్రధాన అడ్డంకిగా ఉండేది. సమస్యలను పరిష్కరించేందుకు అందుబాటులో ఉన్న “మేధస్సు” పరిమితంగా ఉండేది. నిర్ణీత సంఖ్యలోని ఉన్నత విద్యార్థులు, వృత్తిపరమైన శాస్త్రవేత్తలే ఒక సమస్యకు సంబంధించిన డేటాను రూపొందించి, విశ్లేషించేవారు. సంకేత రచన, డేటా విశ్లేషణలో AI సాధిస్తున్న నిరంతర పురోగతి ఆ అంచనాను మార్చుతోంది. డేటా విశ్లేషణను అపారంగా విస్తరించే అవకాశం ఉంది. డేటాను రూపొందించే సమయంలో ఊహించడం కష్టమైన సహకారాల నుంచి కొత్త అవగాహనలు వెలువడవచ్చు.
ఆర్టిఫిషియల్ జనరల్ ఇంటెలిజెన్స్ మానవాళి అంతటికీ ప్రయోజనం చేకూర్చేలా చూడటమే మా లక్ష్యం. మా మద్దతుతో రూపొందిన శాస్త్రీయ డేటాను విస్తృతంగా అందుబాటులో ఉంచాలి. మానవ డేటా ఉన్న ప్రతి సందర్భంలో వ్యక్తిగత గోప్యత, సమ్మతిని కాపాడాలి. అయితే, అందుబాటు అంటే ముడి డేటాను విడుదల చేయడం మాత్రమే కాదు. గ్రాంట్ గ్రహీతలు తమ విశ్లేషణలను ముందస్తు ప్రచురణలుగా ప్రచురించాలని, చివర్లో మాత్రమే కాకుండా క్రమం తప్పకుండా డేటాను షేర్ చేయాలని మేము ప్రోత్సహిస్తున్నాము. వారి డేటా “అనుసంధానితమైనది” కాకపోతే, జీవశాస్త్రపరంగా విలువైన సమస్యల్లో దాని ప్రయోజనాన్ని అంచనా వేయడానికి డేటా వినియోగదారులతో కలిసి పనిచేయాలని సూచిస్తున్నాము.
పునరావృత అభ్యాసం
Health కోసం ప్రజా డేటా కార్యక్రమంలో మా తొలి దృక్పథాన్ని ఈ వ్యాసం వివరిస్తుంది. శాస్త్రం, AI పురోగతి సాధిస్తున్న కొద్దీ, పరిశోధక సమాజంలోని ఇతరులతో చర్చల ద్వారా మా అభిప్రాయాలను క్రియాశీలంగా నవీకరిస్తున్నాము.
Health కోసం ప్రజా డేటాపై మీకు ఆలోచనలు ఉంటే, [email protected] ద్వారా మమ్మల్ని సంప్రదించండి. మా కార్యక్రమాలు, నిధుల గురించి భవిష్యత్ సమాచారం కోసం మా వార్తాలేఖకు ఇక్కడ చందా పొందవచ్చు.
ఈ వ్యాసంలో చర్చించిన సమస్యల గురించి పూర్తికాలం ఆలోచించడం మీకు ఆసక్తికరంగా అనిపిస్తే, జీవ శాస్త్రాలు, వ్యాధుల చికిత్స బృందంలోని నాలుగు ఖాళీ ఉద్యోగాలకు ప్రస్తుతం నియామకాలు చేపడుతున్నాము.