健康公共数据
今年 4 月，我们启动了“阿尔茨海默病 AI”项目，这是 OpenAI Foundation 在生命科学与疾病治愈领域推出的首个项目。今天，我们正式推出第二个科学项目：“健康公共数据”。
“阿尔茨海默病 AI”项目聚焦于一种影响众多家庭的疾病；我们相信，AI 可以帮助科学家开发出更好的治疗方法。“健康公共数据”项目旨在为创建和保存高质量科学数据集提供资助，并向研究人员广泛开放，以推动生命科学领域多种疾病的研究进展。
科学数据是对周围世界的观测结果，也是研究与发现的基础输入。在那些无需收集新数据即可验证突破的领域 — 例如数学的某些分支领域，AI 系统近来已开始产出新的知识。与此同时，在生物学领域，AI 系统大规模分析生物信息的能力不断提升，它甚至能从不完整的证据中还原隐藏的结构，有时效率高得惊人。
不过，我们预计在疾病预防与治疗领域，仍有许多尚未实现的突破。要实现这些突破，需要结合新模型智能与更多现实观测结果 — 换言之，更多数据。
一些具有巨大公共价值的数据集可能永远无法创建或共享，因为任何单一机构都缺乏足够的动力或能力为其提供资金。因此，支持健康公共数据与 OpenAI Foundation 的定位高度契合。
首批资助
我们首先将向首批非营利组织和大学提供总额超过 1.25 亿美元的资助，涵盖从分子、流行病学到监管知识等多个数据层面。
以下是我们支持的部分项目：
OpenADMET 将创建开放数据集、基准测试和盲测竞赛，检验能否训练 AI 模型预测小分子在人体内如何吸收和分布，从而提高药物开发的可预测性，降低新药失败率。
90% 的候选药物会在临床试验中失败。这往往是因为很难预测这些药物会如何被人体吸收并在体内扩散，也就是难以预测其 “ADMET”特性。对于这类尚未解决的预测难题，如果有高质量数据来检验不同模型的预测准确性，AI 就能发挥“一技之长”。例如，AlphaFold2 利用蛋白质数据库的数据，在 CASP 举办的不同建模方法竞赛中推动了蛋白质结构预测的变革。蛋白质结构预测现已融入许多药物发现项目，这些项目未来很可能惠及患者。
为更准确地预测候选药物的 ADMET 特性，OpenADMET 团队将开发高质量数据集，为新的预测模型提供可靠依据，并举办面向全球研究人员的开放挑战赛。
近期为 ADMET 预测挑战赛参与者举办的 OpenADMET 活动现场演讲。图片来源：Naomi Handly。
“药物发现领域充满了普遍性难题，任何致力于治愈特定疾病的个别公司或学术实验室都无法独自解决这些难题，”OpenADMET 理事会成员、UCSF 生物工程与治疗科学系教授兼系主任 James Fraser 博士表示，“我们建立 OpenADMET 的初衷，正是为了以开放且便于机器学习的方式解决这些问题。我们很高兴能够构建一个基础层，让 AI 大幅加快新疗法的开发。”
CTD Commons 将保存并发布失败药物开发项目中的监管知识，让未来的团队能够借鉴通常被封存的先例，更快为患者找到有效疗法。
CTD 即通用技术文档，用于记录试验性药物的完整历程，包括动物毒理学、生产细节，以及颇具实用价值的 FDA 往来函件等所有资料。然而，这些内容只有一小部分会出现在已发表的论文中。
CTD Commons 将探索从失败或搁置的药物项目中获取 CTD 的可行性，并向所有人开放这些资料，供研究和分析使用。
“每一份提交给 FDA 的申请，都凝聚着研究人员、审评人员和研究参与者的辛勤付出与牺牲。即使这些努力最终失败，其产生的宝贵信息也不应被浪费，”CTD Commons 主要组织者、1Day Sooner 总裁 Josh Morrison 表示，“CTD Commons 将减少重复工作和成本，并最大限度地提升临床研究的影响力。”
UNC 将发起“生成式免疫疗法”计划，创建公共多模态数据，助力保障癌症患者在确诊后能迅速获得个性化癌症疫苗。
如今的“新抗原”癌症疫苗，是少数以计算方式为每位患者量身设计的药物之一：通过对肿瘤细胞进行测序，预测其表面呈现了哪些肿瘤特异性靶点。但测序本身只是现实情况的替代指标，因为要直接测量细胞表面的靶点既困难又昂贵，而检测患者免疫系统对每种蛋白质的反应强度更是如此。
UNC 将针对数百个肿瘤和多种癌症补齐这些缺失的关联，创建该领域首批训练与评估数据集，并向全球研究人员提供去标识化的公共数据，供其进一步研究。
“个性化癌症疫苗终于开始显现临床疗效，但仍存在一些空白；按照传统疗法开发模式，可能需要数十年才能填补这些空白。高质量数据可以帮助我们更快填补空白，”UNC 医学院遗传学助理教授 Alex Rubinsteyn 博士表示，“我们很高兴能够缩短这一进程，推动普遍有效的个性化免疫疗法成为现实。”
北卡罗来纳大学的实验室成员正在研究个性化癌症疫苗。图片来源：UNC。
我们的初步策略
我们预计，本节内容对于关注 OpenAI Foundation 未来资助机会的研究人员尤为实用。
值得采集的科学数据范围之广，远远超出任何单一资助方所能覆盖的程度。因此，我们希望在此与研究界进一步分享：我们认为 OpenAI Foundation 的支持在哪些类型的数据上最能发挥作用。
我们初步设想应重点关注的数据是：关联数据、稀缺数据和直接数据。我们资助的数据集通常会具备其中一两项特性，极少数情况下会兼具三项特性；下文将对此作更详细的说明。
对于所有数据集，我们认为，在涉及患者数据时切实保护隐私，同时扩大数据的获取途径，将变得越来越重要。这将使研究人员能够相互借鉴彼此的工作成果，也能助其从意想不到之处汲取灵感，进而推动科学进步。
关联数据：跨越多个环节追踪生物学研究历程
生物学研究历程在不同尺度上展开，但大多数生命科学数据集只能反映现实的某一个层面。细胞图谱可测量数千个细胞中的分子，而单分子成像只追踪一个细胞。两种视角都很有价值，但由于这类数据集通常是独立创建的，往往需要数年的跟进研究才能厘清不同科学结果之间的关系。我们希望支持各研究团队主动跨越这些尺度，创建内容丰富、相互关联的数据集，让不同层面的数据彼此印证。
例如，我们向 UCSF 提供的资助将支持 OpenADMET 团队测量数万种化合物的关键分子特性及相互作用。随后，团队会将这些广泛的特征分析与药物转运的两种视角关联起来：一是通过实验确定转运蛋白与选定分子结合时的结构，二是通过测定分析这些蛋白质如何在功能上与分子相互作用。最后，他们将在人体血脑屏障模型中测试其中一部分化合物，并将结果与动物体内测量结果进行比较。
这种数据采集方法将异常完整地呈现决定药物如何在体内扩散的因素，使 AI 模型能够在人类真正关心的层面做出更准确的预测。
稀缺数据：保存无法重现的数据
无论未来的 AI 多么强大，都无法回溯并观察特定历史时刻发生的生物事件，例如缺乏可靠生命统计数据的国家/地区中的死亡和疾病原因，或患者在过去某个特定时刻的生物样本内容。生物学中充满了这种无法回溯的节点，而未来的建模人员或许能从这些证据中找到当今研究人员无法预见的用途。因此，我们尤其关注以下提案：在机会消失前采集或保存宝贵数据；或在尊重隐私且获得个人授权的前提下，公开发布无法再次创建的现有私有数据集。
例如，我们对 CTD Commons 的资助将用于研究以下问题：能否在公司倒闭、记录随之消失之前，保存失败药物开发项目的资料。短期来看，这些文档可以帮助早期药物开发团队了解监管机构曾对类似产品提出哪些要求，避免通过代价高昂的反复试错来摸索。长期来看，这些文档可供机器学习系统分析药物成败的规律，推动监管或试验策略改进，让患者更早受益于新疗法。
直接数据：测量最贴近关键问题的生物和临床状态
纵观生物学发展史，大部分时间我们都在测量相对简单或成本低廉的指标。例如，相较于人体临床数据，我们更常测量单个细胞的数据；相较于蛋白质，我们更常测量 RNA 表达式。这些替代指标极其有用，但也可能逐渐偏离理解生物学以及预防和治疗疾病的目标。在这类情况下，我们希望为研究人员提供所需资源，以构建能够测量最关键指标的数据集。但是，也可能出现以下情况：测量“生物学真实状态”所需的仪器尚不存在，或其规模化使用成本过高。在本项目中，我们希望同时支持两类计划，即创建新数据和开发新工具。
例如，我们向 UNC 提供资助以发起“生成式免疫疗法”计划，这将帮助 UNC Lineberger 和 UNC Health 团队生成以人体为依据的数据，从而改进下一代癌症疫苗。这意味着我们不仅要对肿瘤进行测序，还要直接测量肿瘤细胞的表面蛋白以及患者的 T 细胞反应。创建这些数据成本高昂；我们希望通过这一次全面采集数据并公布相关结果，让未来所有癌症疫苗研发工作都能从中受益。尤其是，如果该项目取得成功，未来的候选疫苗将能凭借一组更可靠的靶点进入人体给药阶段。这应该会提高疫苗奏效的概率；即使疫苗未能奏效，也能帮助研究人员从中获得更多信息。
确保研究人员能够获取数据
最后，对于我们的所有资助项目，我们都在确保最终形成的数据集尽可能便于全球研究人员获取。
纵观整个科学史，检验假设一直是制约发现的主要瓶颈。可用于解决问题的“智能”寥寥无几，而围绕问题生成并分析数据的研究生和职业科学家人数终究有限。AI 在编程和数据分析方面的持续进步打破了这一假设。数据分析的规模或许会显著扩大，由此催生的合作与洞见，在数据生成之初往往难以预见。
我们的使命是确保通用人工智能造福全人类。在涉及人类数据时，应维护个人隐私并尊重知情权；在此前提下，由我们支持创建的科学数据应公开发布。但数据可获取性不应局限于发布原始数据。我们鼓励受资助方通过预印本发表分析结果，定期共享数据，而不是只在项目结束时发布数据；如果受资助方的数据并非“关联”数据，还应与数据使用者协作，评估这些数据在具有生物学价值的问题上是否有用。
迭代学习
本文概述了“健康公共数据”项目的初步方向。随着科学和 AI 的进步，我们将与研究界其他人士持续交流，同时不断调整自身策略。
如果你对“健康公共数据”项目有任何想法，欢迎发送邮件至 [email protected] 与我们联系。你可以在此处订阅我们的简报，获取项目和资助的后续动态。
如果你希望应聘全职岗位，深入研讨本文提及的问题，我们的生命科学与疾病治愈团队目前正在招聘四个职位。