Репортаж от Wedoany，Исследователи из Техасского университета A&M (Texas A&M University) недавно разработали систему искусственного интеллекта, которая позволяет прогнозировать токсичность химических веществ и одновременно оценивать надёжность каждого прогноза. Исследование проведено командой Колледжа ветеринарной медицины и биомедицинских наук Техасского университета A&M (Texas A&M College of Veterinary Medicine and Biomedical Sciences), а результаты опубликованы в журнале Nature Communications.
Исследование возглавил доктор Вэйсюэ Цю (Weihsueh Chiu), профессор кафедры ветеринарной физиологии и фармакологии Техасского университета A&M (Texas A&M Department of Veterinary Physiology and Pharmacology). Целью работы было решение давней проблемы в токсикологии: многие химические вещества, используемые в коммерции, не имеют полных данных о безопасности. Традиционные методы оценки безопасности химических веществ основаны на исследованиях на животных или долгосрочных эпидемиологических исследованиях на людях, что требует значительных временных и ресурсных затрат, в результате чего многие вещества остаются недостаточно изученными.
Для решения этой проблемы исследователи разработали модели машинного обучения, известные как модели количественной связи «структура-активность». Такие модели используют структуру химического вещества для оценки безопасного уровня воздействия. Команда Цю также повысила прозрачность моделей, разработав их на основе знакомых химических свойств, таких как растворимость в воде, биоразлагаемость и показатели токсичности, а не только абстрактных молекулярных дескрипторов. Последние достижения включают интеграцию функций машинного обучения с учётом неопределённости, что позволяет модели оценивать достоверность каждого прогноза в зависимости от количества и качества данных о сходных химических веществах. По словам Цю, понимание неопределённости имеет решающее значение, поскольку химические вещества с аналогичным прогнозируемым уровнем токсичности могут различаться по степени риска, если прогноз основан на ограниченных подтверждающих данных. Эти модели генерируют ряд возможных результатов, помогая исследователям выявлять вещества, требующие дальнейшего изучения или экспертной оценки.
После применения к более чем 126 000 химических веществ модель выявила закономерности в токсичности и неопределённости. Исследователи обнаружили, что металлы, полихлорированные соединения, а также пер- и полифторалкильные вещества (PFAS) часто демонстрируют высокий уровень неопределённости из-за ограниченности данных или сложности химического поведения. Учёные Техасского университета A&M считают, что эти результаты помогут направить будущие испытания в области, где научные знания ограничены. Данный метод поддерживает поэтапный процесс оценки: сначала ИИ проводит скрининг крупномасштабных химических веществ, а затем эксперты сосредотачиваются на веществах, представляющих более высокий риск или большую неопределённость.
Данный материал скомпилирован платформой Wedoany. При цитировании материалов, созданных с помощью искусственного интеллекта (ИИ), необходимо обязательно указывать источник — «Wedoany». В случае выявления нарушения прав или иных проблем просим своевременно информировать нас. Сайт оперативно внесёт изменения или удалит материал.Электронная почта: news@wedoany.com
