Η Helix υπερβαίνει τα 500.000 συνδεδεμένα γενωμικά αρχεία και εισάγει εργαλεία AI για βιοϊατρική ανακάλυψη

Ο αγώνας για την κατασκευή καλύτερου AI για την υγεία έχει περιοριστεί σε μεγάλο βαθμό από ένα απλό πρόβλημα: την έλλειψη αρκετά μεγάλων, υψηλής ποιότητας συνόλων δεδομένων που συνδέουν γενετικές πληροφορίες με πραγματικές αποτελέσεις ασθενών. Αυτή την εβδομάδα, η Helix ανακοίνωσε ένα ορόσημο που θα μπορούσε να βοηθήσει στην αντιμετώπιση αυτής της πρόκλησης, αποκαλύπτοντας ότι η πλατφόρμα GenoSphere έχει υπερβεί τα 500.000 συνδεδεμένα κλινικο-γενωμικά αρχεία, ενώ εισάγει νέα εργαλεία AI που στοχεύουν στην επιτάχυνση της επιστημονικής ανακάλυψης.

Η ανακοίνωση θέτει την Helix μεταξύ eines μικρού ομίλου οργανισμών που προσπαθούν να δημιουργήσουν μεγάλης κλίμακας, διαχρονικά συνόλα δεδομένων που συνδυάζουν γενωμική αλληλουχία με χρόνια ιατρικών αρχείων. Τέτοια συνόλα δεδομένων θεωρούνται ολοένα και περισσότερο κρίσιμη υποδομή για την επόμενη γενιά της ιατρικής προσωποποιημένης, ανάπτυξης φαρμάκων και βιοϊατρικής έρευνας με τη βοήθεια του AI.

Γιατί τα συνδεδεμένα γενωμικά δεδομένα έχουν σημασία

Ενώ η γενωμική αλληλουχία έχει γίνει δραματικά πιο προσιτή τα τελευταία δέκα χρόνια, το DNA μόνο σπάνια λέει την πλήρη ιστορία της νόσου.

Οι ερευνητές χρειάζονται επίσης πρόσβαση σε κλινικές εξετάσεις, ιστορικό θεραπειών, διαγνώσεις και διαχρονικά ιατρικά αρχεία για να κατανοήσουν πώς οι γενετικές παραλλαγές επηρεάζουν την πραγματική υγεία των ασθενών. Η πρόκληση είναι ότι αυτά τα συνόλα δεδομένων συχνά υπάρχουν σε ξεχωριστά συστήματα και είναι δύσκολο να συνδεθούν σε μεγάλη κλίμακα.

Η Helix λέει ότι κάθε αρχείο GenoSphere συνδυάζει τα δεδομένα Exome+ αλληλουχίας με μέσο όρο 13 χρόνια ηλεκτρονικής ιστορίας ιατρικών αρχείων και περίπου οκτώ χρόνια δεδομένων ασφάλισης. Το σύνολο δεδομένων προέρχεται από το Δίκτυο Έρευνας Helix, το οποίο περιλαμβάνει目前 16 συμμετέχοντες συστήματα υγείας.

Τύπος δεδομένων είναι ολοένα και πιο σημαντικός επειδή πολλά σύγχρονα μοντέλα AI λειτουργούν καλύτερα όταν μπορούν να αναλύσουν πολλές μορφές πληροφοριών ταυτόχρονα και όχι να βασίζονται μόνο στη γενετική ή τα κλινικά αρχεία.

Από την πληθυσμιακή γενωμική στην ερευνητική υποδομή

Η Helix ιδρύθηκε το 2015 και αρχικά επικεντρώθηκε στην πληθυσμιακή γενωμική και τη γενετική εξέταση. Με τον καιρό, η εταιρεία επέκτεινε τις δραστηριότητές της στις κλινικές διαγνώσεις, τις συνεργασίες συστημάτων υγείας και την ερευνητική υποδομή. Σήμερα, η Helix λειτουργεί στο giao điểm της γενωμικής εξέτασης, της υγείας του πληθυσμού και της βιοϊατρικής ανακάλυψης.

Η μακροπρόθεσμη στρατηγική της εταιρείας φαίνεται ότι επικεντρώνεται ολοένα και περισσότερο στη δημιουργία μιας μεγάλης κλίμακας ερευνητικής πλατφόρμας και όχι απλώς στην παροχή γενετικών εξετάσεων. Η Helix αναφέρει ότι το GenoSphere έχει διπλασιαστεί σε μέγεθος τα τελευταία δύο χρόνια και είναι σε πορεία να υπερβεί το ένα εκατομμύριο συνδεδεμένα αρχεία μέσα στα επόμενα 18 μήνες.

Το μέγεθος έχει σημασία επειδή πολλές κλινικά σημαντικές γενετικές παραλλαγές είναι σπάνιες. Μεγαλύτερα συνόλα δεδομένων βελτιώνουν την ικανότητα των ερευνητών να ανακαλύψουν σημαντικές συσχετίσεις μεταξύ γενετικών δειγμάτων και αποτελεσμάτων νόσων, ιδιαίτερα σε διάφορους πληθυσμούς ασθενών.

Εργαλεία AI στοχεύουν στην μείωση των ερευνητικών瓶頸

Παράλληλα με την επέκταση του συνόλου δεδομένων, η Helix εισήγαγε νέα εργαλεία AI που στοχεύουν στην απλοποίηση της αλληλεπίδρασης των ερευνητών με σύνθετα γενωμικά δεδομένα.

Η πρώτη έκδοση είναι ένα εργαλείο Cohort Builder με τη βοήθεια του AI, το οποίο επιτρέπει στους ερευνητές να δημιουργούν και να αναλύουν ομάδες ασθενών χρησιμοποιώντας εργοflows που οδηγούνται από φυσική γλώσσα και όχι να απαιτούν εκτεταμένη εμπειρογνωσία στη βιοπληροφορική. Σύμφωνα με την εταιρεία, το εργαλείο μπορεί να δημιουργήσει στοχευμένες κλινικές-γενωμικές ομάδες μέσα σε λίγα λεπτά, потенτικά μειώνοντας τις εβδομάδες χειροκίνητης προετοιμασίας δεδομένων και κατασκευής ερωτημάτων.

Αυτό αντανακλά một ευρύτερη τάση σε όλη την υγεία και τις βιοεπιστήμες, όπου το AI εφαρμόζεται όλο και περισσότερο όχι μόνο στην επιστημονική ανάλυση, αλλά και στις λειτουργικές瓶頸 που επιβραδύνουν την έρευνα. Τα μεγάλα μοντέλα γλώσσας γίνονται διεπαφές για σύνθετες βιοϊατρικές βάσεις δεδομένων, επιτρέποντας στους επιστήμονες να επικεντρωθούν περισσότερο στην παραγωγή υποθέσεων και λιγότερο στη μηχανική δεδομένων.

Η αυξανόμενη σημασία των δεδομένων υγείας που είναι έτοιμα για το AI

Η σημασία της ανακοίνωσης της Helix εκτείνεται πέρα από το μέγεθος του συνόλου δεδομένων.

Σε όλη την βιομηχανία υγείας, οι ερευνητές αναγνωρίζουν ότι τα επιτυχημένα συστήματα AI εξαρτώνται τόσο από την ποιότητα και τη δομή των δεδομένων όσο και από την αρχιτεκτονική του μοντέλου. Πρόσφατες προσπάθειες σε ακαδημαϊκό, κυβερνητικό και βιομηχανικό επίπεδο έχουν επικεντρωθεί ολοένα και περισσότερο στην ανάπτυξη συνόλων δεδομένων βιοϊατρικής που είναι έτοιμα για το AI και μπορούν να υποστηρίξουν μεγάλης κλίμακας εφαρμογές μηχανικής μάθησης στην ιατρική.

Για τους dévelopπεurs φαρμάκων, αυτά τα συνόλα δεδομένων μπορούν να βοηθήσουν στην ανακάλυψη νέων θεραπευτικών στόχων, την ανακάλυψη βιοδείκτων, την βελτίωση της στρατηγικής των ασθενών και την καλύτερη πρόβλεψη των αντιδράσεων στη θεραπεία. Για τα συστήματα υγείας, μπορεί να υποστηρίξουν πιο προσωποποιημένες προσεγγίσεις για την οθόνη, τη διάγνωση και την πρόληψη της νόσου.

Τι σημαίνει αυτό για την ιατρική προσωποποιημένης

Η βιομηχανία υγείας έχει περάσει χρόνια συζητώντας την επίδοση της ιατρικής προσωποποιημένης, αλλά η πρόοδος έχει συχνά περιοριστεί από ερωτημένα οικοσυστήματα δεδομένων και ανεπαρκή διαχρονικές πληροφορίες.

Η αυξανόμενη πλατφόρμα GenoSphere της Helix αντιπροσωπεύει μέρος μιας μεγαλύτερης μετατόπισης προς ερευνητικά περιβάλλοντα όπου τα γενωμικά, κλινικά και πραγματικά δεδομένα υγείας μπορούν να αναλυθούν μαζί. Η προσθήκη εργαλείων έρευνας με τη βοήθεια του AI υποδηλώνει ότι η επόμενη φάση της ιατρικής προσωποποιημένης μπορεί να εξαρτηθεί όχι μόνο από τη συλλογή τεράστιων συνόλων δεδομένων, αλλά και από την καθιστά τους προσβάσιμους σε ένα ευρύτερο φάσμα επιστημόνων.

Εάν αυτή η τάση συνεχιστεί, το ανταγωνιστικό πλεονέκτημα στο βιοϊατρικό AI μπορεί να έρθει όλο και περισσότερο όχι από την κατασκευή μεγαλύτερων μοντέλων μόνο, αλλά από την κατασκευή πλουσιότερων, πιο συνδεδεμένων συνόλων δεδομένων που επιτρέπουν στα μοντέλα να ανακαλύψουν ερευνήσεις που ήταν προηγουμένως αδύνατο να ανιχνευθούν.