Helix depășește 500.000 de înregistrări genomice legate și introduce instrumente AI pentru descoperiri biomedicale

Cursa pentru a construi un AI mai bun pentru sănătate a fost în mare măsură limitată de o problemă simplă: lipsa unor seturi de date suficient de mari și de înaltă calitate care să conecteze informații genetice cu rezultatele pacienților din lumea reală. Săptămâna aceasta, Helix a anunțat un moment important care ar putea ajuta la abordarea acestei provocări, dezvăluind că platforma sa GenoSphere a depășit 500.000 de înregistrări clinico-genomice legate, în timp ce introduce noi instrumente de cercetare bazate pe AI, proiectate pentru a accelera descoperirile științifice.

Anunțul plasează Helix printre un grup mic de organizații care încearcă să creeze seturi de date longitudinale la scară largă care combină secvențierea genomică cu ani de înregistrări de sănătate. Asemenea seturi de date sunt din ce în ce mai mult considerate ca infrastructură critică pentru următoarea generație de medicină personalizată, dezvoltare de medicamente și cercetare biomedică condusă de AI.

De ce sunt importante datele genomice legate

În timp ce secvențierea genomică a devenit dramatic mai accesibilă în ultimul deceniu, ADN-ul singur rareori spune întreaga poveste a bolii.

Cercetătorii au nevoie și de acces la rezultate clinice, istoricul tratamentelor, diagnostice și înregistrări de sănătate longitudinale pentru a înțelege cum variantele genetice influențează sănătatea pacienților din lumea reală. Provocarea constă în faptul că aceste seturi de date există adesea în sisteme separate și sunt dificil de conectat la scară.

Helix afirmă că fiecare înregistrare GenoSphere combină datele de secvențiere Exome+ cu aproximativ 13 ani de istoric de înregistrări electronice de sănătate și aproximativ opt ani de date de revendicări. Setul de date este obținut prin intermediul Rețelei de Cercetare Helix, care în prezent include 16 sisteme de sănătate participante.

Acest tip de set de date multimodal este din ce în ce mai important, deoarece multe modele AI moderne funcționează cel mai bine atunci când pot analiza simultan multiple forme de informații, mai degrabă decât să se bazeze doar pe genetică sau înregistrări clinice.

De la genomica populației la infrastructura de cercetare

Înființată în 2015, Helix s-a concentrat inițial pe genomica populației și testarea genetică. De-a lungul timpului, compania s-a extins în diagnostice clinice, parteneriate cu sisteme de sănătate și infrastructură de cercetare. Astăzi, Helix operează la intersecția testării genomice, sănătății populației și descoperirii biomedicale.

Strategia pe termen lung a companiei pare din ce în ce mai mult centrată pe construirea unei platforme de cercetare la scară largă, mai degrabă decât doar pe furnizarea de teste genetice. Helix raportează că GenoSphere a dublat în dimensiune în fiecare dintre ultimii doi ani și este pe cale să depășească un milion de înregistrări legate în următorii 18 luni.

Scara contează, deoarece multe variante genetice clinic importante sunt rare. Seturile de date mai mari îmbunătățesc capacitatea cercetătorilor de a identifica asocieri semnificative între markeri genetici și rezultatele bolilor, în special în rândul populațiilor de pacienți diverse.

Instrumente AI pentru reducerea blocajelor de cercetare

Alături de extinderea setului de date, Helix a introdus noi instrumente bazate pe AI, menite să simplifice modul în care cercetătorii interacționează cu datele genomice complexe.

Prima lansare este un instrument de construire a cohortelor bazat pe AI, care permite cercetătorilor să creeze și să analizeze cohorte de pacienți utilizând fluxuri de lucru conduse de limbaj natural, mai degrabă decât să necesite o expertiză bioinformatică extinsă. Conform companiei, instrumentul poate genera cohorte clinico-genomice țintite în minute, reducând potențial săptămâni de pregătire a datelor și construire a interogărilor.

Acest lucru reflectă o tendință mai largă în sănătate și științe ale vieții, unde AI este din ce în ce mai mult aplicat nu doar analizei științifice în sine, ci și blocajelor operaționale care încetinesc cercetarea. Modelele de limbaj mare devin interfețe pentru baze de date biomedicale complexe, permițând oamenilor de știință să se concentreze mai mult pe generarea de ipoteze și mai puțin pe ingineria datelor.

Crescândă importanță a datelor de sănătate pregătite pentru AI

Semnificația anunțului Helix se extinde dincolo de dimensiunea setului de date în sine.

În întreaga industrie a sănătății, cercetătorii recunosc că sistemele AI de succes depind la fel de mult de calitatea și structura datelor, precum și de arhitectura modelului. Eforturile recente din mediul academic, guvernamental și industrial s-au concentrat din ce în ce mai mult pe dezvoltarea de seturi de date biomedicale pregătite pentru AI, care pot susține aplicații de învățare automată la scară largă în medicină.

Pentru dezvoltatorii de medicamente, aceste seturi de date pot ajuta la identificarea de ținte terapeutice noi, descoperirea de biomarkeri, îmbunătățirea stratificării pacienților și o previziune mai bună a răspunsurilor la tratament. Pentru sistemele de sănătate, ele ar putea susține abordări mai personalizate pentru screening, diagnostic și prevenirea bolilor.

Ce înseamnă acest lucru pentru medicina personalizată

Industria sănătății a discutat ani de zile despre promisiunea medicinei personalizate, dar progresul a fost adesea limitat de ecosisteme de date fragmentate și informații longitudinale insuficiente.

Platforma GenoSphere în creștere a Helix reprezintă o parte a unei schimbări mai largi către medii de cercetare integrate, în care datele genomice, clinice și de sănătate din lumea reală pot fi analizate împreună. Adăugarea de instrumente de cercetare bazate pe AI sugerează că următoarea fază a medicinei personalizate poate depinde nu doar de colectarea de seturi de date masive, ci și de faptul că acestea sunt accesibile unui spectru mai larg de oameni de știință.

Dacă această tendință continuă, avantajul competitiv în AI biomedical poate veni din ce în ce mai mult nu doar din construirea de modele mai mari, ci și din construirea de seturi de date mai bogate și mai conectate, care permit acestor modele să descopere insight-uri care anterior erau imposibil de detectat.