Public Data for Health

เมื่อเดือนเมษายน เราได้เปิดตัว⁠ AI for Alzheimer’s ซึ่งเป็นโครงการแรกของมูลนิธิ OpenAI ในด้านวิทยาศาสตร์ชีวภาพและการรักษาโรค วันนี้ เราขอเปิดตัวโครงการด้านวิทยาศาสตร์โครงการที่สองของเรา นั่นคือ Public Data for Health

เป้าหมายของ AI for Alzheimer’s คือการมุ่งแก้ปัญหาโรคหนึ่งโรคที่ส่งผลกระทบต่อครอบครัวจำนวนมาก ซึ่งเราเชื่อว่า AI มีศักยภาพที่จะช่วยนักวิทยาศาสตร์พัฒนาวิธีการรักษาที่ดีขึ้น ส่วน Public Data for Health มีเป้าหมายเพื่อผลักดันความก้าวหน้าในวงการวิทยาศาสตร์ชีวภาพสำหรับโรคหลายชนิด ด้วยการสนับสนุนเงินทุนสำหรับการสร้างและอนุรักษ์ชุดข้อมูลทางวิทยาศาสตร์คุณภาพสูงที่นักวิจัยสามารถเข้าถึงได้อย่างกว้างขวาง

ข้อมูลทางวิทยาศาสตร์คือข้อสังเกตเกี่ยวกับโลกรอบตัวเรา และเป็นข้อมูลพื้นฐานสำคัญที่นำไปสู่การวิจัยและการค้นพบ ในสาขาที่สามารถตรวจสอบยืนยันการค้นพบครั้งสำคัญได้โดยไม่ต้องเก็บข้อมูลใหม่ เช่น คณิตศาสตร์บางแขนง เมื่อไม่นานมานี้ ระบบ AI เริ่มมีส่วนสร้าง⁠องค์ความรู้⁠ใหม่⁠ขึ้นมาแล้ว ขณะเดียวกัน ในสาขาชีววิทยา ระบบ AI ก็สามารถวิเคราะห์ข้อมูลทางชีววิทยาในวงกว้างได้มากขึ้นเรื่อยๆ และค้นพบโครงสร้างที่ซ่อนอยู่ได้แม้ข้อมูลหลักฐานจะไม่สมบูรณ์ โดยบางครั้งทำได้อย่างมีประสิทธิภาพอย่างน่าทึ่ง

อย่างไรก็ตาม เราเชื่อว่าความก้าวหน้าครั้งสำคัญอีกมากในการป้องกันและรักษาโรคจะเกิดจากการผสานศักยภาพด้านการคิดวิเคราะห์ของโมเดลรุ่นใหม่เข้ากับข้อมูลจากการสังเกตโลกที่มากขึ้น หรืออีกนัยหนึ่งคือ ข้อมูลที่มากขึ้น

ชุดข้อมูลบางชุดอาจมีคุณค่ามหาศาลต่อสาธารณะ แต่กลับไม่มีโอกาสได้จัดทำหรือเผยแพร่ เพราะไม่มีสถาบันใดเพียงแห่งเดียวที่มีแรงจูงใจหรือศักยภาพมากพอที่จะสนับสนุนเงินทุนสำหรับการดำเนินงานดังกล่าว ด้วยเหตุนี้ การสนับสนุนข้อมูลสาธารณะเพื่อสุขภาพจึงสอดคล้องกับพันธกิจของมูลนิธิ OpenAI เป็นอย่างยิ่ง

ทุนสนับสนุนระยะแรกของเรา

เราเริ่มต้นด้วยการสนับสนุนเงินทุนกว่า 125 ล้านดอลลาร์ให้แก่องค์กรไม่แสวงหาผลกำไรและมหาวิทยาลัยกลุ่มแรก เพื่อสนับสนุนข้อมูลในหลายระดับ ตั้งแต่ข้อมูลระดับโมเลกุล ข้อมูลด้านระบาดวิทยา ไปจนถึงองค์ความรู้ด้านกฎระเบียบ

ตัวอย่างบางส่วนของโครงการที่เราให้การสนับสนุนมีดังนี้

1. OpenADMET⁠ จะสร้างชุดข้อมูลและเกณฑ์มาตรฐานที่เปิดให้เข้าถึงได้ พร้อมจัดการแข่งขันแบบไม่เปิดเผยข้อมูลที่ใช้ในการประเมิน เพื่อทดสอบว่าโมเดล AI สามารถเรียนรู้ที่จะคาดการณ์การดูดซึมและการกระจายตัวของโมเลกุลขนาดเล็กในร่างกายได้หรือไม่ โดยมีเป้าหมายเพื่อให้การพัฒนายาคาดการณ์ผลลัพธ์ได้ดีขึ้นและลดโอกาสที่ยาใหม่จะล้มเหลว

   ยาที่อยู่ระหว่างการพัฒนาถึง 90% ไม่ผ่านการทดลองทางคลินิก⁠ สาเหตุมักมาจากความยากในการคาดการณ์ว่ายาเหล่านั้นจะถูกดูดซึมและเคลื่อนที่ไปทั่วร่างกายอย่างไร หรือที่เรียกว่าคุณสมบัติ “ADMET”⁠ โจทย์การคาดการณ์ที่ยังแก้ไม่ได้เช่นนี้อาจเหมาะกับ AI เมื่อมีข้อมูลคุณภาพสูงเป็นหลักในการตรวจสอบความแม่นยำของคำทำนายจากโมเดลต่างๆ ตัวอย่างเช่น AlphaFold2 พลิกโฉมการทำนายโครงสร้างโปรตีนโดยใช้ข้อมูลจาก Protein Data Bank⁠ ในการแข่งขันกับแนวทางการสร้างโมเดลอื่นๆ ซึ่งจัดโดย CASP⁠ ปัจจุบันมีการนำการทำนายโครงสร้างโปรตีนไปใช้ในโครงการค้นคว้ายาหลายโครงการ ซึ่งมีแนวโน้มจะเป็นประโยชน์ต่อผู้ป่วยในอนาคต

   เพื่อให้คาดการณ์คุณสมบัติ ADMET ของยาที่อยู่ระหว่างการพัฒนาได้ดีขึ้น ทีม OpenADMET จะพัฒนาชุดข้อมูลคุณภาพสูงเพื่อใช้เป็นหลักอ้างอิงในการพัฒนาโมเดลคาดการณ์รุ่นใหม่ พร้อมจัดการแข่งขันแบบเปิดที่นักวิจัยจากทั่วโลกสามารถเข้าร่วมได้

   

   “การค้นคว้ายาใหม่มีปัญหาพื้นฐานหลายอย่างที่ทุกฝ่ายต้องเผชิญร่วมกัน และไม่มีบริษัทหรือห้องปฏิบัติการทางวิชาการที่มุ่งรักษาโรคใดโรคหนึ่งจะสามารถแก้ปัญหาเหล่านี้ได้ด้วยตนเอง” James Fraser, PhD สมาชิกคณะกรรมการกำกับดูแล OpenADMET และศาสตราจารย์และประธานภาควิชาวิศวกรรมชีวภาพและวิทยาศาสตร์การรักษาแห่ง UCSF กล่าว “OpenADMET จัดตั้งขึ้นเพื่อรับมือกับโจทย์เหล่านี้ด้วยแนวทางแบบเปิดและพร้อมสำหรับการนำไปใช้กับแมชชีนเลิร์นนิง เรารู้สึกยินดีอย่างยิ่งที่ได้สร้างรากฐานสำคัญที่จะช่วยให้ AI สามารถเร่งการพัฒนาวิธีการรักษาใหม่ๆ ได้อย่างมาก”

2. CTD Commons⁠ จะเก็บรักษาและเผยแพร่องค์ความรู้ด้านกฎระเบียบจากโครงการพัฒนายาที่ไม่ประสบความสำเร็จ เพื่อให้ทีมในอนาคตได้เรียนรู้จากกรณีที่ผ่านมา ซึ่งโดยปกติเป็นข้อมูลที่ไม่ได้รับการเปิดเผย และช่วยให้ค้นพบวิธีการรักษาที่มีประสิทธิภาพสำหรับผู้ป่วยได้รวดเร็วยิ่งขึ้น

   CTD หรือ Common Technical Document คือเอกสารที่รวบรวมข้อมูลตลอดเส้นทางการพัฒนายาที่อยู่ระหว่างการศึกษา ไม่ว่าจะเป็นผลการศึกษาความเป็นพิษในสัตว์ รายละเอียดด้านการผลิต และข้อมูลที่อาจมีประโยชน์อย่างยิ่งอย่างการติดต่อหารือกับ FDA แต่ข้อมูลจากกระบวนการทั้งหมดนี้มีเพียงส่วนน้อยเท่านั้นที่ปรากฏอยู่ในงานวิจัยที่ตีพิมพ์

   CTD Commons จะศึกษาความเป็นไปได้ในการรวบรวมเอกสาร CTD จากโครงการพัฒนายาที่ไม่ประสบความสำเร็จหรือถูกระงับ และเปิดให้ทุกคนเข้าถึงเอกสารเหล่านี้ได้อย่างเสรีเพื่อนำไปใช้ในการวิจัยและวิเคราะห์

   “เอกสารทุกฉบับที่ยื่นต่อ FDA ล้วนเกิดจากการทุ่มเททำงานอย่างหนักและการเสียสละของนักวิจัย ผู้ตรวจประเมิน และผู้เข้าร่วมการศึกษา แม้ความพยายามเหล่านี้จะไม่ประสบความสำเร็จ ข้อมูลอันมีค่าที่ได้มาก็ไม่ควรสูญเปล่า” Josh Morrison ผู้จัดงานหลักของ CTD Commons และประธาน 1Day Sooner กล่าว “CTD Commons จะช่วยลดการทำงานซ้ำซ้อนและค่าใช้จ่าย พร้อมเพิ่มประโยชน์จากงานวิจัยทางคลินิกให้ได้มากที่สุด”

3. UNC⁠ จะก่อตั้ง Initiative for Generative Immunotherapy และจัดทำข้อมูลสาธารณะแบบหลายรูปแบบ เพื่อช่วยผลักดันให้ในอนาคตผู้ป่วยมะเร็งสามารถรับวัคซีนมะเร็งที่ออกแบบเฉพาะบุคคลได้อย่างรวดเร็วเมื่อได้รับการวินิจฉัย

   วัคซีนมะเร็งแบบ “นีโอแอนติเจน” ที่ใช้ในปัจจุบันเป็นหนึ่งในยาจำนวนน้อยที่ออกแบบด้วยการคำนวณเฉพาะให้เหมาะกับผู้ป่วยแต่ละราย โดยถอดรหัสพันธุกรรมของเซลล์มะเร็งเพื่อคาดการณ์ว่าเป้าหมายจำเพาะของเนื้องอกชนิดใดปรากฏอยู่บนผิวเซลล์ อย่างไรก็ตาม การวิเคราะห์ลำดับพันธุกรรมนี้เป็นเพียงการประเมินสิ่งที่เกิดขึ้นจริงทางอ้อม เพราะการตรวจวัดเป้าหมายบนผิวเซลล์โดยตรงทำได้ยากและมีค่าใช้จ่ายสูง นอกจากนี้ การตรวจสอบว่าระบบภูมิคุ้มกันของผู้ป่วยตอบสนองต่อโปรตีนแต่ละชนิดมากน้อยเพียงใดก็ทำได้ยากเช่นกัน

   UNC จะสร้างข้อมูลที่เชื่อมโยงส่วนที่ยังขาดหายเหล่านี้ โดยศึกษาตัวอย่างเนื้องอกหลายร้อยตัวอย่างจากมะเร็งหลายชนิด และจัดทำหนึ่งในชุดข้อมูลสำหรับการฝึกและประเมินโมเดลชุดแรก ๆ ของสาขานี้ พร้อมเปิดให้นักวิจัยทั่วโลกเข้าถึงข้อมูลที่ลบข้อมูลระบุตัวบุคคลแล้วเพื่อนำไปต่อยอด

   “วัคซีนมะเร็งเฉพาะบุคคลเริ่มแสดงให้เห็นถึงประสิทธิผลทางคลินิกแล้ว แต่เรายังขาดข้อมูลสำคัญบางส่วน ซึ่งหากอาศัยกระบวนการพัฒนาวิธีการรักษาแบบเดิม อาจต้องใช้เวลาหลายสิบปีกว่าจะได้ข้อมูลครบถ้วน ข้อมูลคุณภาพสูงจะช่วยให้เราเติมเต็มส่วนที่ขาดหายเหล่านี้ได้เร็วขึ้น” Alex Rubinsteyn, PhD ผู้ช่วยศาสตราจารย์ด้านพันธุศาสตร์แห่ง UNC School of Medicine กล่าว “เรารู้สึกตื่นเต้นที่จะช่วยลดระยะเวลานี้ลง และทำให้ภูมิคุ้มกันบำบัดเฉพาะบุคคลที่มีประสิทธิผลกับผู้ป่วยในวงกว้างเกิดขึ้นได้จริง”

   

กลยุทธ์ระยะแรกของเรา

เราคาดว่าส่วนนี้จะเป็นประโยชน์อย่างยิ่งต่อนักวิจัยที่สนใจโอกาสรับทุนจาก OpenAI Foundation ในอนาคต

ข้อมูลทางวิทยาศาสตร์ที่มีคุณค่าและควรรวบรวมนั้นมีอยู่มากเกินกว่าที่ผู้ให้ทุนเพียงรายเดียวจะสนับสนุนได้ทั้งหมด ดังนั้น เราจึงอยากแบ่งปันกับชุมชนนักวิจัยให้มากขึ้นว่า ข้อมูลประเภทใดที่เราเชื่อว่าการสนับสนุนจากมูลนิธิ OpenAI จะช่วยสร้างประโยชน์ได้มากที่สุด

สมมติฐานเบื้องต้นของเราเกี่ยวกับข้อมูลที่ควรให้ความสำคัญมี 3 ประเภท ได้แก่ ข้อมูลที่เชื่อมโยงกัน ข้อมูลที่มีอยู่อย่างจำกัด และข้อมูลโดยตรง โดยชุดข้อมูลที่เราให้ทุนสนับสนุนมักมีคุณลักษณะเหล่านี้หนึ่งหรือสองข้อ ซึ่งจะอธิบายโดยละเอียดด้านล่าง และมีเพียงบางกรณีเท่านั้นที่จะมีครบทั้งสามอย่าง

ไม่ว่าจะเป็นชุดข้อมูลประเภทใด เราเชื่อว่าการเปิดให้เข้าถึงข้อมูลได้อย่างกว้างขวาง โดยยังคงคุ้มครองความเป็นส่วนตัวเมื่อข้อมูลนั้นเกี่ยวข้องกับผู้ป่วย จะมีความสำคัญมากขึ้นเรื่อยๆ แนวทางนี้จะช่วยให้นักวิจัยต่อยอดจากผลงานของผู้อื่น และเปิดทางให้ความก้าวหน้าทางวิทยาศาสตร์เกิดขึ้นได้จากที่ที่เราอาจคาดไม่ถึง

1. ข้อมูลที่เชื่อมโยงกัน: ติดตามการเปลี่ยนแปลงทางชีววิทยาผ่านหลายขั้นตอน

   กระบวนการทางชีววิทยาเกิดขึ้นในหลายระดับ แต่ชุดข้อมูลด้านวิทยาศาสตร์ชีวภาพส่วนใหญ่มักสะท้อนสิ่งที่เกิดขึ้นจริงเพียงส่วนเดียว ตัวอย่างเช่น แผนที่เซลล์อาจวัดโมเลกุลจากเซลล์หลายพันเซลล์ ขณะที่การถ่ายภาพระดับโมเลกุลเดี่ยวติดตามสิ่งที่เกิดขึ้นภายในเซลล์เพียงเซลล์เดียว มุมมองทั้งสองแบบล้วนมีคุณค่า แต่เนื่องจากชุดข้อมูลเหล่านี้มักจัดทำแยกจากกัน นักวิจัยจึงอาจต้องใช้เวลาหลายปีในการศึกษาต่อยอดเพื่อหาความเชื่อมโยงระหว่างผลการวิจัย เราต้องการสนับสนุนให้ทีมวิจัยแต่ละทีมศึกษาข้ามระดับเหล่านี้อย่างเป็นระบบ และสร้างชุดข้อมูลที่มีรายละเอียดหลากหลายและเชื่อมโยงกัน โดยข้อมูลในแต่ละระดับช่วยเสริมซึ่งกันและกัน

   ตัวอย่างเช่น เงินทุนที่เรามอบให้ UCSF จะช่วยให้ทีม OpenADMET สามารถวัดคุณสมบัติและปฏิสัมพันธ์สำคัญในระดับโมเลกุลของสารประกอบหลายหมื่นชนิด จากนั้น ทีมจะเชื่อมโยงข้อมูลจากการวิเคราะห์ในวงกว้างนี้เข้ากับข้อมูลเกี่ยวกับการลำเลียงยาในสองมิติ ได้แก่ โครงสร้างของโปรตีนลำเลียงที่ได้จากการทดลองขณะจับกับโมเลกุลที่คัดเลือกไว้ และการทดสอบที่วัดการทำงานของโปรตีนเหล่านี้เมื่อมีปฏิสัมพันธ์กับโมเลกุล สุดท้าย ทีมจะนำสารประกอบบางส่วนมาทดสอบกับแบบจำลองที่เลียนแบบการทำงานของตัวกั้นระหว่างเลือดกับสมองในมนุษย์ แล้วเปรียบเทียบผลกับการวัดในสัตว์ที่มีชีวิต

   แนวทางเก็บข้อมูลนี้จะให้ภาพที่สมบูรณ์เป็นพิเศษเกี่ยวกับปัจจัยที่กำหนดการเคลื่อนที่ของยาในร่างกาย และช่วยให้โมเดล AI คาดการณ์สิ่งที่มนุษย์ให้ความสำคัญได้ดีขึ้น

2. ข้อมูลที่มีอยู่อย่างจำกัด: เก็บรักษาข้อมูลที่ไม่สามารถสร้างขึ้นใหม่ได้

   ไม่ว่า AI ในอนาคตจะมีความสามารถเพียงใด ก็ไม่สามารถย้อนเวลากลับไปเก็บข้อมูลจากเหตุการณ์ทางชีววิทยาที่เกิดขึ้น ณ ช่วงเวลาหนึ่งซึ่งมีเพียงครั้งเดียวได้ เช่น สาเหตุการเสียชีวิตและการเจ็บป่วยในประเทศที่ไม่มีระบบสถิติการเกิดและการตายที่เชื่อถือได้ หรือข้อมูลที่อยู่ในตัวอย่างชีวภาพของผู้ป่วย ณ ช่วงเวลาหนึ่งซึ่งผ่านพ้นไปแล้ว ในทางชีววิทยา มีโอกาสเก็บข้อมูลลักษณะนี้มากมายที่เมื่อพลาดไปแล้วก็ไม่สามารถย้อนกลับมาเก็บใหม่ได้ และในอนาคต ผู้พัฒนาโมเดลอาจค้นพบประโยชน์จากหลักฐานเหล่านี้ในแบบที่นักวิจัยปัจจุบันยังคาดไม่ถึง ด้วยเหตุนี้ เราจึงให้ความสนใจเป็นพิเศษกับข้อเสนอที่เก็บรวบรวมหรือรักษาข้อมูลอันมีค่าไว้ก่อนที่จะสายเกินไป รวมถึงการนำชุดข้อมูลที่มีอยู่แล้วแต่ยังไม่เปิดเผยและไม่สามารถสร้างขึ้นใหม่ได้ มาเปิดให้เข้าถึงในวงกว้าง โดยคำนึงถึงความเป็นส่วนตัวและความยินยอมของแต่ละบุคคล

   ตัวอย่างเช่น ทุนสนับสนุนที่เรามอบให้ CTD Commons จะนำไปศึกษาความเป็นไปได้ในการเก็บรักษาเอกสารจากโครงการพัฒนายาที่ไม่ประสบความสำเร็จ ก่อนที่บริษัทจะเลิกกิจการและข้อมูลเหล่านี้สูญหายไป ในระยะสั้น เอกสารดังกล่าวอาจช่วยให้ทีมพัฒนายาในระยะเริ่มต้นทราบว่าหน่วยงานกำกับดูแลเคยมีข้อกำหนดอย่างไรต่อผลิตภัณฑ์ที่มีลักษณะใกล้เคียงกัน โดยไม่ต้องเสียเวลาและค่าใช้จ่ายไปกับการลองผิดลองถูก ในระยะยาว เอกสารเหล่านี้อาจกลายเป็นแหล่งข้อมูลสำหรับระบบแมชชีนเลิร์นนิงในการค้นหารูปแบบที่เกี่ยวข้องกับความสำเร็จหรือความล้มเหลวของยา ซึ่งจะช่วยผลักดันการพัฒนาแนวทางกำกับดูแลหรือกลยุทธ์การทดลองทางคลินิกให้ดีขึ้น และทำให้ผู้ป่วยเข้าถึงประโยชน์จากวิธีการรักษาใหม่ๆ ได้เร็วขึ้น

3. ข้อมูลโดยตรง: วัดสภาวะทางชีววิทยาและทางคลินิกที่สะท้อนสิ่งสำคัญได้โดยตรงที่สุด

   ตลอดประวัติศาสตร์ที่ผ่านมา งานวิจัยด้านชีววิทยามักมุ่งวัดสิ่งที่วัดได้ง่ายหรือมีต้นทุนต่ำ เช่น การเก็บข้อมูลในระดับเซลล์แต่ละเซลล์แทนข้อมูลทางคลินิกจากมนุษย์ หรือการวัดการแสดงออกของ RNA แทนการวัดโปรตีน ตัวชี้วัดทางอ้อมเหล่านี้มีประโยชน์อย่างมหาศาล แต่บางครั้งก็อาจห่างไกลจากเป้าหมายที่แท้จริง นั่นคือการทำความเข้าใจชีววิทยา รวมถึงการป้องกันและรักษาโรค ในกรณีเช่นนี้ เราต้องการสนับสนุนทรัพยากรที่นักวิจัยจำเป็นต้องใช้ในการสร้างชุดข้อมูลที่วัดสิ่งสำคัญได้โดยตรง นอกจากนี้ เครื่องมือที่จำเป็นสำหรับการวัดสิ่งที่เกิดขึ้นจริงทางชีววิทยาอาจยังไม่มีอยู่ หรือมีค่าใช้จ่ายสูงเกินกว่าจะนำมาใช้ในวงกว้างได้ เราหวังว่าโครงการนี้จะสนับสนุนทั้งสองด้าน ได้แก่ การสร้างข้อมูลใหม่และการพัฒนาเครื่องมือใหม่

   ตัวอย่างเช่น เงินทุนที่เรามอบให้ UNC เพื่อจัดตั้ง Initiative for Generative Immunotherapy จะช่วยให้ทีมจาก UNC Lineberger และ UNC Health สามารถสร้างข้อมูลที่อ้างอิงจากสิ่งที่เกิดขึ้นจริงในมนุษย์ ซึ่งจำเป็นต่อการพัฒนาวัคซีนมะเร็งรุ่นต่อไปให้ดียิ่งขึ้น นั่นหมายถึงการวัดโปรตีนบนผิวเซลล์มะเร็งโดยตรง รวมถึงการตอบสนองของทีเซลล์ในผู้ป่วย แทนที่จะอาศัย “เพียง” การหาลำดับพันธุกรรมของเนื้องอก การสร้างข้อมูลเหล่านี้มีค่าใช้จ่ายสูง เราจึงต้องการเก็บข้อมูลให้ครอบคลุมตั้งแต่ครั้งนี้และเปิดเผยผลลัพธ์ เพื่อให้การพัฒนาวัคซีนมะเร็งในอนาคตสามารถนำข้อมูลไปใช้ประโยชน์ได้ทั้งหมด โดยเฉพาะอย่างยิ่ง หากโครงการนี้ประสบความสำเร็จ วัคซีนที่พัฒนาขึ้นในอนาคตจะเข้าสู่ขั้นตอนการให้วัคซีนในมนุษย์โดยมีเป้าหมายที่ผ่านการคัดเลือกมาอย่างแม่นยำยิ่งขึ้น ซึ่งน่าจะเพิ่มโอกาสที่วัคซีนจะได้ผล และหากไม่ได้ผล ก็จะช่วยให้เราเรียนรู้จากผลลัพธ์นั้นได้มากขึ้น

การเปิดโอกาสให้นักวิจัยเข้าถึงข้อมูลได้อย่างทั่วถึง

ท้ายที่สุด ไม่ว่าจะเป็นโครงการใดที่เราให้ทุนสนับสนุน เราจะทำให้ชุดข้อมูลที่ได้เปิดกว้างและเข้าถึงได้มากที่สุดสำหรับนักวิจัยทั่วโลก

ตลอดประวัติศาสตร์ทางวิทยาศาสตร์ที่ผ่านมา ข้อจำกัดสำคัญประการหนึ่งที่ทำให้การค้นพบใหม่ๆ เดินหน้าได้ช้าคือความสามารถในการทดสอบสมมติฐาน เนื่องจากมีบุคลากรที่สามารถใช้ความรู้และความสามารถมาช่วยแก้โจทย์ได้จำกัด ไม่ว่าจะเป็นนักศึกษาระดับบัณฑิตศึกษาหรือนักวิทยาศาสตร์ที่ทำงานในสายอาชีพ ซึ่งต้องทั้งสร้างข้อมูลและวิเคราะห์ข้อมูลเพื่อศึกษาโจทย์นั้นๆ แต่เมื่อ AI พัฒนาความสามารถด้านการเขียนโค้ดและการวิเคราะห์ข้อมูลอย่างต่อเนื่อง ข้อจำกัดที่เคยมีนี้ก็เริ่มเปลี่ยนไป การวิเคราะห์ข้อมูลอาจขยายขอบเขตได้มากกว่าเดิมอย่างมหาศาล และอาจนำไปสู่ข้อค้นพบจากความร่วมมือในรูปแบบที่ยากจะคาดคิดในขณะที่สร้างข้อมูลขึ้นมา

พันธกิจของเราคือการทำให้มั่นใจว่าปัญญาประดิษฐ์ทั่วไปจะสร้างประโยชน์ให้แก่มวลมนุษยชาติ ข้อมูลทางวิทยาศาสตร์ที่เกิดขึ้นจากการสนับสนุนของเราควรเปิดให้นักวิจัยและสาธารณชนเข้าถึงได้อย่างกว้างขวาง พร้อมคุ้มครองความเป็นส่วนตัวและเคารพความยินยอมของแต่ละบุคคลเมื่อข้อมูลนั้นเกี่ยวข้องกับมนุษย์ อย่างไรก็ตาม การเข้าถึงไม่ได้หมายถึงเพียงการเผยแพร่ข้อมูลดิบเท่านั้น เราสนับสนุนให้ผู้รับทุนเผยแพร่ผลการวิเคราะห์ในรูปแบบบทความวิจัยก่อนตีพิมพ์ แบ่งปันข้อมูลอย่างสม่ำเสมอแทนที่จะรอจนสิ้นสุดโครงการ และหากข้อมูลของผู้รับทุนไม่ได้เป็น “ข้อมูลที่เชื่อมโยงกัน” ก็ควรร่วมมือกับผู้ที่นำข้อมูลไปใช้เพื่อประเมินว่าข้อมูลนั้นมีประโยชน์ต่อการศึกษาโจทย์ทางชีววิทยาที่สำคัญเพียงใด

เรียนรู้และปรับปรุงอย่างต่อเนื่อง

บทความนี้นำเสนอแนวทางเบื้องต้นของเราสำหรับ Public Data for Health โดยเราจะปรับมุมมองและแนวทางอย่างต่อเนื่องตามความก้าวหน้าทางวิทยาศาสตร์และ AI รวมถึงข้อมูลและมุมมองที่ได้รับจากการพูดคุยกับสมาชิกคนอื่นๆ ในชุมชนนักวิจัย

หากคุณมีแนวคิดที่อยากแบ่งปันเกี่ยวกับ Public Data for Health เรายินดีรับฟังความคิดเห็นผ่านทาง [email protected]⁠ และคุณสามารถสมัครรับจดหมายข่าวได้ที่นี่⁠ เพื่อติดตามข่าวสารเกี่ยวกับโครงการและการสนับสนุนเงินทุนของเราในอนาคต

หากโจทย์อย่างที่กล่าวถึงในบทความนี้เป็นสิ่งที่คุณสนใจและอยากทุ่มเททำงานเต็มเวลา ขณะนี้ทีม Life Sciences and Curing Diseases ของเรากำลังเปิดรับสมัครงานจำนวน 4 ตำแหน่ง⁠