Helix overschrijdt 500.000 gekoppelde genomische records en introduceert AI-hulpmiddelen voor biomedisch onderzoek

De race om betere AI voor de gezondheidszorg is grotendeels beperkt door een eenvoudig probleem: het ontbreken van voldoende grote, hoogwaardige datasets die genetische informatie verbinden met resultaten van patiënten in de praktijk. Deze week maakte Helix bekend een mijlpaal die kan helpen om deze uitdaging aan te pakken, door te onthullen dat hun GenoSphere-platform meer dan 500.000 gekoppelde klinisch-genomische records heeft overschreden, en nieuwe AI-gebaseerde onderzoekshulpmiddelen introduceert om wetenschappelijke ontdekkingen te versnellen.

De aankondiging plaatst Helix onder een kleine groep organisaties die proberen om grote, longitudinale datasets te creëren die genomische sequencing combineren met jarenlange gezondheidsrecords. Dergelijke datasets worden steeds meer gezien als kritieke infrastructuur voor de volgende generatie precisiegeneeskunde, geneesmiddelenontwikkeling en AI-gedreven biomedisch onderzoek.

Waarom gekoppelde genomische gegevens belangrijk zijn

Hoewel genomische sequencing de afgelopen tien jaar dramatisch goedkoper is geworden, vertelt DNA alleen zelden het complete verhaal van een ziekte.

Onderzoekers hebben ook toegang nodig tot klinische resultaten, behandelingsgeschiedenissen, diagnoses en longitudinale gezondheidsrecords om te begrijpen hoe genetische varianten de gezondheid van patiënten in de praktijk beïnvloeden. De uitdaging is dat deze datasets vaak in afzonderlijke systemen bestaan en moeilijk te verbinden zijn op grote schaal.

Helix zegt dat elk GenoSphere-record hun Exome+ sequencinggegevens combineert met gemiddeld 13 jaar elektronische gezondheidsrecordgeschiedenis en ongeveer acht jaar claimsgegevens. De dataset wordt gegenereerd via het Helix Research Network, dat momenteel 16 deelnemende gezondheidssystemen omvat.

Dit type multimodale dataset is steeds belangrijker omdat veel moderne AI-modellen het beste presteren wanneer ze meerdere vormen van informatie tegelijk kunnen analyseren, in plaats van te vertrouwen op genetica of klinische records alleen.

Van populatiegenomica naar onderzoeksinfrastructuur

Helix is in 2015 opgericht en richtte zich aanvankelijk op populatiegenomica en genetische tests. In de loop van de tijd breidde het bedrijf zich uit naar klinische diagnostiek, gezondheidssysteempartnerschappen en onderzoeksinfrastructuur. Vandaag de dag opereert Helix op het snijvlak van genomische tests, populatiegezondheid en biomedische ontdekking.

De langetermijnstrategie van het bedrijf lijkt steeds meer gericht op het opbouwen van een grootschalig onderzoeksplatform, in plaats van alleen genetische tests aan te bieden. Helix meldt dat GenoSphere in de afgelopen twee jaar is verdubbeld en naar verwachting binnen de komende 18 maanden meer dan een miljoen gekoppelde records zal overschrijden.

Schaal is belangrijk omdat veel klinisch belangrijke genetische varianten zeldzaam zijn. Grotere datasets verbeteren de mogelijkheden van onderzoekers om betekenisvolle associaties te identificeren tussen genetische markers en ziekte-resultaten, vooral bij diverse patiëntpopulaties.

AI-hulpmiddelen om onderzoeksbeperkingen te verminderen

Naast de uitbreiding van de dataset, introduceerde Helix nieuwe AI-gebaseerde hulpmiddelen om te vereenvoudigen hoe onderzoekers omgaan met complexe genomische gegevens.

De eerste release is een AI-geactiveerde Cohort Builder, die onderzoekers in staat stelt om patiëntcohorten te creëren en te analyseren met behulp van natuurlijke taalgestuurde workflows, in plaats van uitgebreide bio-informatica-expertise te vereisen. Volgens het bedrijf kan het hulpmiddel doelgerichte klinisch-genomische cohorten in enkele minuten genereren, wat potentieel weken van handmatige gegevensvoorbereiding en queryconstructie kan verminderen.

Dit weerspiegelt een bredere trend in de gezondheidszorg en de levenswetenschappen, waar AI steeds vaker wordt toegepast, niet alleen voor wetenschappelijke analyse, maar ook voor de operationele beperkingen die onderzoek vertragen. Grote taalmodellen worden interfaces voor complexe biomedische databases, waardoor wetenschappers zich meer kunnen concentreren op het genereren van hypothesen en minder op gegevensengineering.

Het groeiende belang van AI-gegevens in de gezondheidszorg

De betekenis van de aankondiging van Helix gaat verder dan de omvang van de dataset zelf.

In de gezondheidszorg erkennen onderzoekers dat succesvolle AI-systemen evenveel afhankelijk zijn van gegevenskwaliteit en -structuur als van modelarchitectuur. Recentelijke inspanningen in de academische wereld, de overheid en de industrie hebben zich steeds meer gericht op het ontwikkelen van AI-gegevens in de biomedische wetenschappen die grote machine learning-toepassingen in de geneeskunde kunnen ondersteunen.

Voor ontwikkelaars van geneesmiddelen kunnen deze datasets helpen bij het identificeren van nieuwe therapeutische doelen, het ontdekken van biomarkers, het verbeteren van patiëntdifferentiatie en het beter voorspellen van behandelingreacties. Voor gezondheidssystemen kunnen ze uiteindelijk meer gepersonaliseerde benaderingen van screening, diagnose en ziektepreventie ondersteunen.

Wat dit betekent voor precisiegeneeskunde

De gezondheidszorg heeft jarenlang over de belofte van precisiegeneeskunde gesproken, maar de vooruitgang is vaak beperkt door gefragmenteerde datasecosystemen en onvoldoende longitudinale informatie.

De groeiende GenoSphere-platform van Helix vertegenwoordigt een deel van een grotere verschuiving naar geïntegreerde onderzoeksomgevingen waar genomische, klinische en werkelijke gezondheidszorggegevens samen kunnen worden geanalyseerd. De toevoeging van AI-gebaseerde onderzoekshulpmiddelen suggereert dat de volgende fase van precisiegeneeskunde niet alleen afhankelijk is van het verzamelen van enorme datasets, maar ook van het toegankelijk maken van deze datasets voor een bredere groep wetenschappers.

Als deze trend voortduurt, kan het concurrentievoordeel in biomedische AI steeds meer komen van het opbouwen van rijkere, meer verbonden datasets die modellen in staat stellen om inzichten te ontdekken die eerder onmogelijk waren te detecteren.