Прорив у медицині та етиці – новий ШІ допоможе зменшити використання лабораторних тварин

Дослідники з Goethe University Frankfurt та Philipps University Marburg представили генеративну систему штучного інтелекту, яка може суттєво скоротити кількість лабораторних тварин, необхідних для доклінічних випробувань нових препаратів. Про це пише Phys.

Чи зможе штучний інтелект частково замінити досліди на тваринах?

Йдеться про технологію genESOM, створену професором Jörn Lötsch у співпраці з професором Alfred Ultsch. Результати дослідження були опубліковані одразу в кількох наукових журналах, зокрема в Pharmacological Research, iScience та Briefings in Bioinformatics.

Науковці вважають, що нова система може допомогти зменшити кількість тварин у дослідженнях на 30 – 50 відсотків, зберігаючи при цьому достовірність результатів.

Чому проблема потребує нового рішення?

На ранніх етапах створення ліків експерименти на тваринах залишаються важливою частиною перевірки безпеки та ефективності нових активних речовин.

Проте наукова спільнота постійно стикається з етичною дилемою. З одного боку, необхідно максимально скорочувати використання лабораторних тварин. З іншого – вибірка має бути достатньо великою, щоб результати були статистично значущими та репрезентативними. Саме цей баланс і намагається забезпечити genESOM.

Як працює новий алгоритм?

Система побудована на мережі з тисяч штучних нейронів, які аналізують внутрішню структуру реальних експериментальних даних.

Після навчання алгоритм може створювати нові синтетичні точки даних, які поводяться так, ніби були отримані під час реального лабораторного експерименту.

Однак головна інновація полягає не лише в генерації нових даних. Дослідники інтегрували в систему механізм контролю так званої інфляції помилок – проблеми, коли генеративний штучний інтелект посилює не тільки корисні закономірності, а й випадковий шум.

Такі помилки здатні створювати хибнопозитивні результати – ситуації, коли система помилково визначає статистично незначущі показники як важливі. Для вирішення цієї проблеми команда розділила фазу навчання моделі та фазу синтезу нових даних.

Це дозволило вводити штучний сигнал помилки та точно відстежувати його поширення, формуючи автоматичний критерій зупинки генерації до моменту, коли результати починають втрачати наукову достовірність.

Практична перевірка на моделі розсіяного склерозу

Ефективність genESOM протестували на основі вже опублікованого дослідження Fraunhofer Institute for Translational Medicine and Pharmacology, присвяченого моделі Multiple Sclerosis.

Як повідмоляє Science direct, у початковому експерименті використовували 26 мишей, поділених на три групи для перевірки впливу експериментального препарату.

Щоб змоделювати сценарій зі скороченою вибіркою, дослідники зменшили кількість тварин до 18 – по шість у кожній групі.

Після такого скорочення всі раніше виявлені терапевтичні ефекти зникли. Статистичні тести більше не показували значущості, а алгоритми машинного навчання не могли відрізнити результати між групами.

Однак після доповнення даних синтетичними зразками, згенерованими genESOM, усі ефекти повернулися до початкового рівня статистичної значущості. При цьому система не створила суттєвих хибнопозитивних результатів.

За словами Йорна Льотча, "Якщо в експерименті бере участь занадто мало тварин, а їхню кількість потім просто доповнюють за допомогою генеративної штучної інтелекту, експеримент може швидко втратити наукову цінність через посилення випадкових результатів."

Чому AI не зможе повністю замінити реальні експерименти?

Попри обнадійливі результати, автори наголошують: genESOM не є повною альтернативою традиційним експериментам. Штучний інтелект здатен працювати лише на основі вже отриманих реальних даних.

Як пояснює Льотч, якщо в дослідженні спочатку буде занадто мало тварин, генеративний алгоритм лише посилить випадкові закономірності, роблячи висновки ненадійними.

Втім, команда переконана, що технологія здатна зробити вагомий внесок у розвиток більш гуманної доклінічної науки. Якщо подальші перевірки підтвердять ефективність genESOM, це може стати важливим кроком до перегляду стандартів біомедичних досліджень у всьому світі.