Forskere opdager giftige kemikalier i vandlevende organismer med ny AI-metode

Svenske forskere ved Chalmers University of Technology og Göteborgs Universitet har udviklet en AI-metode, der forbedrer identifikation af giftige kemikalier – udelukkende baseret på viden om molekylstrukturen.

Metoden kan bidrage til bedre kontrol og forståelse af det stadigt voksende antal kemikalier, der bruges i samfundet, og kan også være med til at reducere mængden af ​​dyreforsøg.

Undersøgelsen, "Transformers muliggør nøjagtig forudsigelse af akut og kronisk kemisk toksicitet i akvatiske organismer," er blevet offentliggjort i Science Advances .

Brugen af ​​kemikalier i samfundet er omfattende, og de forekommer i alt fra husholdningsprodukter til industrielle processer. Mange kemikalier når vores vandveje og økosystemer, hvor de kan have negative effekter på mennesker og andre organismer.

Et eksempel er PFAS, en gruppe af problematiske stoffer, som for nylig er fundet i koncentrationer i både grundvand og drikkevand. Det er f.eks. blevet brugt i brandskum og i mange forbrugerprodukter.

Negative effekter for mennesker og miljø opstår på trods af omfattende kemikalieregler, som ofte kræver tidskrævende dyreforsøg for at påvise, hvornår kemikalier kan betragtes som sikre.

Alene i EU bruges mere end 2 millioner dyr årligt til at overholde forskellige regler. Samtidig udvikles nye kemikalier i et hurtigt tempo, og det er en stor udfordring at afgøre, hvilke af disse, der skal begrænses på grund af deres giftighed for mennesker eller miljø.

Værdifuld hjælp til udvikling af kemikalier

Den nye metode udviklet af de svenske forskere udnytter kunstig intelligens til hurtig og omkostningseffektiv vurdering af kemisk toksicitet. Det kan derfor bruges til at identificere giftige stoffer i en tidlig fase og hjælpe med at reducere behovet for dyreforsøg.

"Vores metode er i stand til at forudsige, om et stof er giftigt eller ej ud fra dets kemiske struktur. Den er udviklet og forfinet ved at analysere store datasæt fra tidligere udførte laboratorietests. Metoden er derved trænet til at lave præcise vurderinger for tidligere utestede kemikalier," siger Mikael Gustavsson, forsker ved Institut for Matematiske Fag ved Chalmers Tekniske Universitet og ved Institut for Biologi og Miljøvidenskab ved Göteborgs Universitet.

"Der er i øjeblikket mere end 100.000 kemikalier på markedet, men kun en lille del af disse har en velbeskrevet toksicitet over for mennesker eller miljø. At vurdere toksiciteten af ​​alle disse kemikalier ved hjælp af konventionelle metoder, herunder dyreforsøg, er ikke praktisk praktisk talt. muligt Her ser vi, at vores metode kan tilbyde et nyt alternativ," siger Erik Kristiansson, professor ved Institut for Matematiske Videnskaber på Chalmers og ved Göteborgs Universitet.

Forskerne mener, at metoden kan være meget anvendelig inden for miljøforskning, såvel som for myndigheder og virksomheder, der anvender eller udvikler nye kemikalier. De har derfor gjort det åbent og offentligt tilgængeligt.

Bredere og mere nøjagtige end nutidens beregningsværktøjer

Der findes allerede beregningsværktøjer til at finde giftige kemikalier, men indtil videre har de haft for snævre anvendelighedsdomæner eller for lav nøjagtighed til at erstatte laboratorietests i højere grad. I forskernes undersøgelse sammenlignede de deres metode med tre andre, almindeligt anvendte, beregningsværktøjer og fandt ud af, at den nye metode både har en højere nøjagtighed, og at den er mere generelt anvendelig.

"Den type AI, vi bruger, er baseret på avancerede deep learning-metoder," siger Kristiansson. "Vores resultater viser, at AI-baserede metoder allerede er på niveau med konventionelle beregningsmetoder, og i takt med at mængden af ​​tilgængelige data fortsætter med at stige, forventer vi, at AI-metoderne forbedres yderligere. Derfor mener vi, at AI har potentialet til markant at forbedre beregningsmæssigt vurdering af kemisk toksicitet."

Forskerne forudser, at AI-systemer i stadig højere grad vil kunne erstatte laboratorietests.

"Det ville betyde, at antallet af dyreforsøg kunne reduceres, såvel som de økonomiske omkostninger ved udvikling af nye kemikalier. Muligheden for hurtigt at forhåndsscreene store og forskelligartede datamængder kan derfor hjælpe udviklingen af ​​nye og sikrere kemikalier og hjælpe med at finde erstatninger. for giftige stoffer, der er i brug i øjeblikket. Vi mener således, at AI-baserede metoder vil bidrage til at reducere de negative påvirkninger af kemisk forurening på mennesker og på økosystemtjenester, siger Kristiansson.

Metoden er baseret på transformers, en AI-model for deep learning, som oprindeligt er udviklet til sprogbehandling. Chat GPT – hvis forkortelse betyder Generative Pretrained Transformer – er et eksempel på applikationerne.

Modellen har for nylig også vist sig meget effektiv til at fange information fra kemiske strukturer. Transformere kan identificere egenskaber i strukturen af ​​molekyler, der forårsager toksicitet, på en mere sofistikeret måde, end det tidligere har været muligt.

Ved hjælp af denne information kan molekylets toksicitet så forudsiges af et dybt neuralt netværk. Neurale netværk og transformatorer hører til den type AI, der kontinuerligt forbedrer sig selv ved at bruge træningsdata – i dette tilfælde store mængder data fra tidligere laboratorietest af virkningerne af tusindvis af forskellige kemikalier på forskellige dyr og planter.

Flere oplysninger: Mikael Gustavsson et al., Transformers muliggør nøjagtig forudsigelse af akut og kronisk kemisk toksicitet i akvatiske organismer, Science Advances (2024). DOI:10.1126/sciadv.adk6669

Journaloplysninger: Videnskabelige fremskridt

Leveret af Chalmers University of Technology