Making Accelerating Medicines Partnership Data Findable and Interoperable through a Common Data Model: Extending OMOP for Multi-Source Multimodal Data

La medicina moderna è sempre più guidata dalla capacità di leggere le istruzioni molecolari all'interno delle nostre cellule. Gli scienziati possono ora misurare migliaia di queste istruzioni contemporaneamente, creando vaste librerie di dati che descrivono come i geni si comportano nelle persone sane e come cambiano in chi soffre di malattie come l'Alzheimer o il diabete. Queste misurazioni, spesso chiamate dati "omici", offrono una potente finestra sul funzionamento interno del corpo. Tuttavia, è emerso un problema significativo: sebbene i dati esistano, sono dispersi. Diversi progetti di ricerca conservano le proprie scoperte in formati digitali differenti, utilizzando i propri sistemi di etichettatura e archiviazione unici. È come se ogni biblioteca di una città usasse una lingua diversa per catalogare i propri libri, rendendo quasi impossibile per un ricercatore entrare e porre una domanda che richieda la lettura di più scaffali contemporaneamente. Questa frammentazione impedisce agli scienziati di vedere il quadro generale, come ad esempio se un modello biologico trovato in una malattia appaia anche in un'altra.

Per risolvere questo problema, un team di ricercatori dell'Accelerating Medicines Partnership, una collaborazione tra agenzie governative e aziende private, si è posto l'obiettivo di costruire un sistema di archiviazione universale per questi complessi dati biologici. Non hanno inventato un nuovo linguaggio da zero, il che sarebbe stato lento e difficile da far adottare alla comunità scientifica. Invece, hanno preso un sistema già ampiamente utilizzato per organizzare le cartelle cliniche e lo hanno accuratamente esteso per gestire le esigenze uniche dei dati molecolari. Questo nuovo framework, chiamato SysBio Common Data Model, funge da traduttore che consente di confrontare i dati provenienti da diverse fonti fianco a fianco, senza costringere i proprietari originali dei dati a cambiare il modo in cui archiviano i propri file. Il team ha dimostito che questo approccio funziona mappando con successo i dati di quattro diversi progetti di ricerca sulle malattie, provando che i ricercatori possono ora porre domande ampie su diverse condizioni e tessuti utilizzando una singola query unificata.

Il cuore di questo lavoro risiede in un intelligente compromesso tra flessibilità e struttura. I ricercatori sono partiti dall'Observational Medical Outcomes Partnership model, un sistema standard già affidato a migliaia di investigatori in tutto il mondo per organizzare le cartelle cliniche dei pazienti, come diagnosi, farmaci e visite ospedaliere. Sebbene questo sistema fosse eccellente per la storia clinica, mancava degli strumenti specifici necessari per descrivere come siano stati eseguiti gli esperimenti molecolari o dove fossero archiviati i relativi file digitali. Per risolvere questo problema senza rompere il sistema esistente, il team ha aggiunto solo quattro nuove tabelle alla struttura del database. Queste nuove sezioni fungono da cartelle specializzate per registrare i dettagli sugli stessi test di laboratorio — come il tipo di macchina utilizzata o il protocollo specifico seguito — e per indicare i file digitali effettivi dove risiedono i dati grezzi. Collegando queste nuove cartelle alle cartelle cliniche esistenti attraverso connessioni standard, il modello preserva l'integrità dei dati clinici originali aggiungendo al contempo il contesto necessario per l'analisi molecolare.

Questa scelta di progettazione è stata deliberata e pratica. I ricercatori hanno testato il loro nuovo modello contro undici diversi dataset che coprono quattro aree di malattie principali, tra cui l'Alzheimer, il Parkinson e le malattie autoimmuni. Questi dataset variavano enormemente per origine, contenendo informazioni su tessuti cerebrali, sangue e urine, raccolte da pazienti sia prima che dopo il decesso. Nonostante queste differenze, il nuovo modello è riuscito a integrarli tutti in una singola struttura condivisa. Il risultato è un sistema in cui uno scienziato può porre una domanda complessa, come ad esempio: "Trova tutti i file di attività genica da campioni renali di pazienti con lupus", e il computer può tracciare il percorso dal paziente con la sua diagnosi, fino al campione di tessuto specifico, poi al test di laboratorio e infine al file digitale, il tutto senza dover conoscere le particolarità uniche del progetto originale che ha generato i dati.

Una parte critica per il funzionamento di questo sistema è stata garantire che le parole usate per descrivere i dati avessero lo stesso significato ovunque. In passato, un progetto poteva definire una specifica fase della malattia come "Stadio 3", mentre un altro la chiamava "Grado C", portando a confusione nel tentativo di combinare i risultati. Per prevenire ciò, il team ha creato un registro centrale che funge da dizionario, definendo esattamente cosa significa ogni termine e come debba essere registrato. Hanno utilizzato un flusso di lavoro che combina l'intelligenza artificiale con esperti umani per mappare i termini disordinati e vari dei progetti originali verso queste definizioni pulite e standardizzate. L'IA suggerisce le connessioni e gli specialisti umani le revisionano per garantirne l'accuratezza, creando un ponte affidabile tra i vecchi dati isolati e il nuovo modello unificato. Questo processo assicura che, quando un ricercatore esamina i dati di due studi diversi, stia effettivamente confrontando mele con mele.

Il successo di questo progetto suggerisce che la collaborazione scientifica su larga scala può procedere senza richiedere a ogni partecipante di abbandonare i propri metodi attuali. Il modello non richiede ai gestori dei dati di spostare i propri file o riformattare i propri database; invece, fornisce uno strato di organizzazione che si posiziona sopra i dati esistenti, rendendoli reperibili e utilizzabili da altri. I ricercatori hanno dimostrato che questo approccio può gestire la complessità della biologia moderna, dal tipo specifico di tessuti utilizzati alle diverse macchine che hanno generato i dati. Sebbene l'attuale versione si concentri su un set specifico di test molecolari, il design è costruito per crescere. Il team ha delineato un percorso per aggiungere nuovi tipi di dati, come l'imaging spaziale o diverse misurazioni chimiche, semplicemente aggiungendo ulteriori dettagli specifici alla struttura esistente, anziché ricostruire l'intero sistema.

In definitiva, questo lavoro trasforma il modo in cui gli scienziati possono esplorare le connessioni tra diverse malattie. Trasformando un difficile progetto di integrazione in una semplice query di ricerca, il nuovo modello rimuove una barriera fondamentale alla scoperta. Permette ai ricercatori di cercare firme biologiche condivise tra condizioni che prima venivano studiate in isolamento, rivelando potenzialmente nuovi bersagli per trattamenti che potrebbero aiutare i pazienti affetti da molteplici malattie diverse. Il sistema rimane abbastanza flessibile da adattarsi man mano che emergono nuove tecnologie, garantendo che la vasta e crescente collezione di dati biomedici possa essere utilizzata al massimo del suo potenziale. I ricercatori hanno reso il loro blueprint e gli strumenti per usarlo accessibili al pubblico, invitando l'intera comunità scientifica a costruire su questa base e a continuare il lavoro di rendere i complessi dati biologici accessibili a tutti.