Wetenschap
Onderzoekers detecteren giftige chemicaliën in waterorganismen met een nieuwe AI-methode
Zweedse onderzoekers van de Chalmers University of Technology en de Universiteit van Göteborg hebben een AI-methode ontwikkeld die de identificatie van giftige chemicaliën verbetert, uitsluitend gebaseerd op kennis van de moleculaire structuur.
De methode kan bijdragen aan een betere controle en begrip van het steeds groeiende aantal chemicaliën dat in de samenleving wordt gebruikt, en kan ook helpen het aantal dierproeven terug te dringen.
Het onderzoek 'Transformers maken nauwkeurige voorspellingen mogelijk van acute en chronische chemische toxiciteit in waterorganismen' is gepubliceerd in Science Advances .
Het gebruik van chemicaliën in de samenleving is wijdverbreid en ze komen in alles voor, van huishoudelijke producten tot industriële processen. Veel chemicaliën bereiken onze waterwegen en ecosystemen, waar ze negatieve effecten kunnen hebben op mensen en andere organismen.
Een voorbeeld is PFAS, een groep problematische stoffen die recentelijk is aangetroffen in betreffende concentraties in zowel grondwater als drinkwater. Het wordt bijvoorbeeld gebruikt in blusschuim en in veel consumentenproducten.
Negatieve effecten voor mens en milieu ontstaan ondanks uitgebreide chemische regelgeving, die vaak tijdrovende dierproeven vereist om aan te tonen wanneer chemicaliën als veilig kunnen worden beschouwd.
Alleen al in de EU worden jaarlijks ruim 2 miljoen dieren gebruikt om aan diverse regelgeving te voldoen. Tegelijkertijd worden er in hoog tempo nieuwe chemicaliën ontwikkeld, en het is een grote uitdaging om te bepalen welke hiervan moeten worden beperkt vanwege hun toxiciteit voor mens of milieu.
Waardevolle hulp bij de ontwikkeling van chemicaliën
De nieuwe methode, ontwikkeld door de Zweedse onderzoekers, maakt gebruik van kunstmatige intelligentie voor een snelle en kosteneffectieve beoordeling van chemische toxiciteit. Het kan daarom worden gebruikt om giftige stoffen in een vroeg stadium te identificeren en de noodzaak voor dierproeven te helpen verminderen.
“Onze methode kan voorspellen of een stof al dan niet giftig is op basis van zijn chemische structuur. De methode is ontwikkeld en verfijnd door grote datasets te analyseren van laboratoriumtests die in het verleden zijn uitgevoerd. De methode is daardoor getraind om nauwkeurige beoordelingen te maken van eerder uitgevoerde tests. niet-geteste chemicaliën", zegt Mikael Gustavsson, onderzoeker bij de afdeling Wiskundige Wetenschappen van de Chalmers University of Technology, en bij de afdeling Biologie en Milieuwetenschappen van de Universiteit van Göteborg.
“Er zijn momenteel meer dan 100.000 chemicaliën op de markt, maar slechts een klein deel hiervan heeft een goed beschreven toxiciteit voor mens of milieu. Het beoordelen van de toxiciteit van al deze chemicaliën met behulp van conventionele methoden, inclusief dierproeven, is praktisch niet haalbaar. Hier zien we dat onze methode een nieuw alternatief kan bieden”, zegt Erik Kristiansson, professor aan de afdeling Wiskundige Wetenschappen van Chalmers en aan de Universiteit van Göteborg.
De onderzoekers denken dat de methode zeer bruikbaar kan zijn binnen het milieuonderzoek, maar ook voor overheden en bedrijven die nieuwe chemicaliën gebruiken of ontwikkelen. Ze hebben het daarom open en openbaar gemaakt.
Breder en nauwkeuriger dan de huidige computerhulpmiddelen
Er bestaan al computerhulpmiddelen voor het vinden van giftige chemicaliën, maar tot nu toe hebben ze te beperkte toepasbaarheidsdomeinen of een te lage nauwkeurigheid gehad om laboratoriumtests in grotere mate te vervangen. In het onderzoek van de onderzoekers vergeleken ze hun methode met drie andere, veelgebruikte rekenhulpmiddelen, en ontdekten dat de nieuwe methode zowel een hogere nauwkeurigheid heeft als dat deze algemener toepasbaar is.
“Het type AI dat we gebruiken is gebaseerd op geavanceerde deep learning-methoden”, zegt Kristiansson. "Onze resultaten laten zien dat op AI gebaseerde methoden al op één lijn liggen met conventionele computationele benaderingen, en naarmate de hoeveelheid beschikbare gegevens blijft toenemen, verwachten we dat AI-methoden verder zullen verbeteren. We zijn dus van mening dat AI het potentieel heeft om de computationele benadering aanzienlijk te verbeteren." beoordeling van chemische toxiciteit."
De onderzoekers voorspellen dat AI-systemen laboratoriumtests in steeds grotere mate zullen kunnen vervangen.
“Dit zou betekenen dat het aantal dierproeven zou kunnen worden verminderd, evenals de economische kosten bij het ontwikkelen van nieuwe chemicaliën. De mogelijkheid om snel grote en diverse hoeveelheden gegevens vooraf te screenen kan daarom de ontwikkeling van nieuwe en veiligere chemicaliën helpen en helpen bij het vinden van vervangers. voor giftige stoffen die momenteel in gebruik zijn. Wij geloven dus dat op AI gebaseerde methoden de negatieve gevolgen van chemische vervuiling op mensen en op ecosysteemdiensten zullen helpen verminderen”, zegt Kristiansson.
De methode is gebaseerd op transformers, een AI-model voor deep learning dat oorspronkelijk is ontwikkeld voor taalverwerking. Chat GPT, waarvan de afkorting Genative Pretrained Transformer betekent, is een voorbeeld van de toepassingen.
Het model is onlangs ook zeer efficiënt gebleken in het vastleggen van informatie uit chemische structuren. Transformers kunnen eigenschappen in de structuur van moleculen identificeren die toxiciteit veroorzaken, op een meer geavanceerde manier dan voorheen mogelijk was.
Met behulp van deze informatie kan de toxiciteit van het molecuul vervolgens worden voorspeld door een diep neuraal netwerk. Neurale netwerken en transformatoren behoren tot het type AI dat zichzelf voortdurend verbetert door gebruik te maken van trainingsgegevens – in dit geval grote hoeveelheden gegevens uit eerdere laboratoriumtests over de effecten van duizenden verschillende chemicaliën op verschillende dieren en planten.