人工智能工具可以节省动物测试

一种机器学习工具在预测化学物质毒性方面胜过了标准的动物试验。美国科学家挖掘了一个大型化学物质数据库，以建立化学结构和毒性之间的联系。然后，他们通过预测未知化合物的毒性，证明了它的价值。

“基于毒物大数据集的人工智能在识别有毒物质方面实际上比动物更好。”托马斯。哈约翰霍普金斯大学教授在欧洲科学开放论坛(ESOF)上周在法国。

在9个常见的动物毒理学测试中，计算机毒性测量仪的平均准确度为87%。平均而言，任何给定的动物试验都有81%的机会获得相同的结果。这九项测试消耗了欧洲57%的动物进行毒理学测试，约60万只动物。

哈通说:“这个(工具)不仅有利于在注册一种物质的过程中取代这些动物。”“它可以用来找到杀死间谍的最毒物质，或者告诉化学家不要合成一种物质，因为它是皮肤敏化剂，所以对他们想要的产品没有用处。”

动物要接受数以百万计的化学毒性测试，这往往是法律规定的，以保护消费者。最常见的替代方法是“解读”，即研究人员通过将一种化学物质与具有安全数据和相似结构的已知化合物进行比较来预测其毒性。

为了改进这个过程，两年前编制了一个机器可读数据库，其中包含作为欧洲Reach法规(化学品的注册、评估、授权和限制)一部分提交的约10,000种化合物。现在，他的团队已经生成了一份化学结构及其毒理学的地图，以及一种将化合物放在这张地图上的算法，从而预测眼睛刺激或DNA损伤等毒性作用。

“这有可能成为化学评估和设计以及评估更安全替代品的一个非常有用的工具，”他说乔尔Tickner他是美国马萨诸塞大学洛厄尔分校的环境健康教授。然而，他警告说，“这种方法不应该被视为我们需要参考的唯一方法，而是应该作为其他类型数据的补充，比如基因组学和体外研究。”

分子毒理学家指出:“虽然Reach受到了许多科学家的批评，但这只是因为欧洲非常先进的物质安全立法，以及从中获得的数据，才使得这项信息学研究成为可能。马克Viant他来自英国伯明翰大学。

“模型的质量只能与用于训练模型的数据质量一样好。在Reach框架下，由于相关毒性数据不存在，Hartung有希望的方法仍然无法解决巨大的挑战，”Viant补充道。他解释说，一个例子是环境危害评估，它通常只包括对三个物种的毒性研究，而所获得的知识是为了保护环境中的数百万个物种。