L’IA pourrait fournir une nouvelle approche pour évaluer les seuils de toxicité chimique chez les organismes aquatiques

[ad_1]

L’intelligence artificielle (IA) pourrait contribuer à faire progresser la prévision informatique de la toxicité chimique chez les organismes aquatiques et, à terme, remplacer, ou du moins réduire, le recours aux tests sur les animaux dans ce domaine.

La pollution chimique contribue largement à la détérioration de la santé des systèmes d’eau à travers le monde. Cependant, déterminer le point auquel la concentration d'un produit chimique devient toxique pour la vie aquatique nécessite des tests intensifs impliquant souvent des animaux.

« Nous savons encore très peu de choses sur la toxicité de ces produits chimiques ; il existe un énorme manque de connaissances», déclare Erik Kristiansson, mathématicien à l'université de Göteborg, en Suède et l'un des chercheurs de l'étude. '[But] étendre les tests sur les animaux à tous les produits chimiques, surtout lorsque ce nombre [is growing] de manière exponentielle, ce n'est pratiquement pas possible.

Les méthodes informatiques offrent une alternative rapide et rentable, mais les méthodes quantitatives de relation structure-activité (QSAR), qui utilisent la régression ou d'autres modèles prédictifs pour associer les différences de structures chimiques aux changements de puissance toxicologique, sont actuellement limitées dans leur application.

Pour trouver une solution, les chercheurs ont développé un modèle basé sur un « transformateur » qui utilise la structure chimique, avec des mesures d'effets, pour prédire la toxicité. Les transformateurs sont une méthodologie d'apprentissage en profondeur initialement développée pour le traitement du langage naturel, mais, selon les chercheurs, ils se sont révélés très efficaces pour capturer des informations provenant de structures biologiques et chimiques.

Le modèle a été formé sur un ensemble de données composé de 148 000 mesures expérimentales pour 6 500 structures chimiques avec des espèces de trois groupes d’organismes : les algues, les invertébrés aquatiques et les poissons. Lors des tests, le modèle s'est avéré avoir des performances prédictives élevées du seuil de toxicité pour chacun des groupes d'organismes et, par rapport aux trois méthodes basées sur QSAR couramment utilisées, il était significativement plus précis et était capable de faire des prédictions pour toutes les structures de l'évaluation. base de données.

« Grâce à l'intelligence artificielle, nous pouvons faire de bien meilleures prédictions [about] si un produit chimique est toxique ou non pour l'environnement, en fonction de sa structure», explique Kristiansson. «Ce que nous montrons dans l'étude, c'est qu'elles surpassent déjà les méthodes QSAR traditionnelles utilisées pour évaluer la toxicité, et nous sommes convaincus que cet écart continuera à se creuser à mesure que davantage de données seront générées.» Nous affirmons que nous atteindrons un point critique où ces prédictions seront suffisamment précises, nous l'espérons, pour remplacer ensuite les tests sur les animaux.

« L’économie chimique est en croissance… [and] Le niveau actuel de pollution chimique a des effets sur la santé humaine et la biodiversité», déclare Leo Posthuma, expert en durabilité et risques environnementaux à l'université Radboud de Nimègue aux Pays-Bas. '[But] nous sommes en retard dans la disponibilité de méthodes permettant de les évaluer, seules ou en combinaison ; c'est comme si nous testions 10 types de voitures et déclarions 990 autres types sûrs, ou pire.

« L'utilisation de méthodes d'intelligence artificielle peut être considérée comme une voie importante pour créer une avancée nécessaire…. Ces méthodes, si elles sont bien conçues et bien validées, peuvent aider à décrire les dangers potentiels de l'univers chimique», ajoute Posthuma. '[It is] très important, en particulier dans le contexte du concept proposé par l'UE de « conception sûre et durable ».

[ad_2]

Loading

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *

*