de.wedoany.com-Bericht: Forscher der Texas A&M University haben kürzlich ein Künstliche-Intelligenz-System entwickelt, das die Toxizität von Chemikalien vorhersagen und gleichzeitig die Zuverlässigkeit jeder Vorhersage abschätzen kann. Die Studie wurde vom Team des Texas A&M College of Veterinary Medicine and Biomedical Sciences durchgeführt und die Ergebnisse wurden in Nature Communications veröffentlicht.
Die Forschung wurde von Dr. Weihsueh Chiu, Professor am Texas A&M Department of Veterinary Physiology and Pharmacology, geleitet. Ziel der Studie war es, eine langjährige Herausforderung in der Toxikologie zu bewältigen: Viele in der Industrie verwendete Chemikalien verfügen nicht über umfassende Sicherheitsdaten. Herkömmliche Methoden zur Bewertung der Chemikaliensicherheit stützen sich auf Tierversuche oder langfristige epidemiologische Studien am Menschen, die beide viel Zeit und Ressourcen erfordern, sodass viele Chemikalien weiterhin unzureichend untersucht sind.
Um dieses Problem zu lösen, entwickelten die Forscher maschinelle Lernmodelle, die als quantitative Struktur-Aktivitäts-Beziehungsmodelle bezeichnet werden. Diese Modelle nutzen die chemische Struktur, um sichere Expositionsniveaus abzuschätzen. Das Team von Chiu erhöhte zudem die Transparenz der Modelle, indem es auf vertraute chemische Eigenschaften wie Wasserlöslichkeit, biologische Abbaubarkeit und Toxizitätsindikatoren setzte, anstatt sich nur auf abstrakte molekulare Deskriptoren zu verlassen. Der jüngste Fortschritt integriert unsicherheitsbewusste maschinelle Lernfunktionen, die es dem Modell ermöglichen, das Vertrauen in jede Vorhersage zu schätzen, abhängig von der Menge und Qualität der verfügbaren Daten zu ähnlichen Chemikalien. Laut Chiu ist das Verständnis der Unsicherheit von entscheidender Bedeutung, da Chemikalien mit ähnlich vorhergesagten Toxizitätsniveaus unterschiedliche Risikostufen aufweisen können, wenn eine Vorhersage auf begrenzten unterstützenden Daten basiert. Diese Modelle generieren eine Reihe möglicher Ergebnisse, die Forschern helfen, Chemikalien zu identifizieren, die weitere Untersuchungen oder eine Expertenprüfung erfordern.
Nach der Anwendung auf über 126.000 Chemikalien identifizierten die Modelle Muster in Bezug auf Toxizität und Unsicherheit. Die Forscher stellten fest, dass Metalle, polychlorierte Verbindungen sowie per- und polyfluorierte Alkylsubstanzen (PFAS) aufgrund begrenzter Daten oder komplexen chemischen Verhaltens häufig hohe Unsicherheitsniveaus aufweisen. Die Forscher der Texas A&M University sind der Ansicht, dass diese Erkenntnisse dazu beitragen können, zukünftige Testbemühungen auf Bereiche mit begrenztem wissenschaftlichem Wissen zu lenken. Die Methode unterstützt einen gestuften Bewertungsprozess, bei dem KI zunächst eine große Anzahl von Chemikalien durchleuchtet und Experten sich dann auf Substanzen konzentrieren, die ein höheres Risiko oder eine größere Unsicherheit aufweisen.
Dieser Artikel wurde von Wedoany übersetzt und bearbeitet. Bei jeglicher Zitierung oder Nutzung durch künstliche Intelligenz (KI) ist die Quellenangabe „Wedoany“ zwingend vorgeschrieben. Sollten Urheberrechtsverletzungen oder andere Probleme vorliegen, bitten wir Sie, uns unverzüglich zu benachrichtigen. Wir werden den entsprechenden Inhalt umgehend anpassen oder löschen.
E-Mail: news@wedoany.com
