Ny algoritme giver mulighed for hurtigere, dyrefri kemisk toksicitetstest

Brugen af ​​dyr til at teste kemikaliers toksicitet kan en dag blive forældet takket være en lav pris, højhastighedsalgoritme udviklet af forskere ved Rutgers og andre universiteter.

Toksicitetstest - bestemmelse af mængden af ​​eksponering for et kemikalie, der er usikkert for mennesker - er afgørende for sikkerheden for millioner af arbejdere i forskellige industrier. Men af ​​de 85, 000 forbindelser anvendt i forbrugerprodukter, størstedelen er ikke blevet grundigt sikkerhedstestet. Dyreforsøg, ud over sine etiske bekymringer, kan være for dyrt og tidskrævende til at opfylde dette behov, ifølge undersøgelsen offentliggjort i Miljøsundhedsperspektiver .

"Der er et presserende, verdensomspændende behov for en nøjagtig, omkostningseffektiv og hurtig måde at teste kemikaliers toksicitet, for at sikre sikkerheden for de mennesker, der arbejder med dem, og for de miljøer, hvori de bruges, " sagde ledende forsker Daniel Russo, en ph.d.-kandidat ved Rutgers University-Camden Center for Computational and Integrative Biology. "Dyreforsøg alene kan ikke opfylde dette behov."

Tidligere bestræbelser på at løse dette problem brugte computere til at sammenligne utestede kemikalier med strukturelt lignende forbindelser, hvis toksicitet allerede er kendt. Men disse metoder var ude af stand til at vurdere strukturelt unikke kemikalier - og blev forvirrede af det faktum, at nogle strukturelt lignende kemikalier har meget forskellige niveauer af toksicitet.

Den Rutgers-ledede gruppe overvandt disse udfordringer ved at udvikle en første af sin slags algoritme, der automatisk udtrækker data fra PubChem, en National Institutes of Health-database med oplysninger om millioner af kemikalier. Algoritmen sammenligner kemiske fragmenter fra testede forbindelser med dem fra utestede forbindelser, og bruger flere matematiske metoder til at evaluere deres ligheder og forskelle for at forudsige et ikke-testet kemikalies toksicitet.

"Algorithmen udviklet af Daniel og Zhu-laboratoriet miner enorme mængder af data, og skelner forhold mellem fragmenter af forbindelser fra forskellige kemiske klasser, eksponentielt hurtigere end et menneske kunne, " sagde medforfatter Lauren Aleksunes, en lektor ved Rutgers' Ernest Mario School of Pharmacy og Rutgers Environmental and Occupational Health Sciences Institute. "Denne model er effektiv og giver virksomheder og tilsynsmyndigheder et værktøj til at prioritere kemikalier, der kan have behov for mere omfattende test på dyr før brug i handelen."

For at finjustere algoritmen, forskerne begyndte med 7, 385 forbindelser, for hvilke toksicitetsdata er kendt, og sammenlignede det med data om de samme kemikalier i PubChem. De testede derefter algoritmen med 600 nye forbindelser. For flere grupper af kemikalier, den Rutgers-ledede algoritme havde en succesrate på 62 procent til 100 procent i at forudsige deres niveau af oral toksicitet. Og ved at sammenligne forhold mellem sæt af kemikalier, de kaster lys over nye faktorer, der kan bestemme et kemikalies toksicitet.

Selvom algoritmen kun var rettet mod at vurdere kemikaliernes toksicitetsniveau, når de indtages oralt, de Rutgers-ledede forskere konkluderer, at deres strategi kan udvides til at forudsige andre typer toksicitet.

"Selvom den fuldstændige udskiftning af dyreforsøg stadig ikke er mulig, denne model tager et vigtigt skridt hen imod at opfylde industriens behov, hvor nye kemikalier konstant er under udvikling, og for miljømæssig og økologisk sikkerhed, " sagde den tilsvarende forfatter Hao Zhu, en lektor i kemi ved Rutgers-Camden og Rutgers and Environmental and Occupational Health Sciences Institute.