Прорыв в медицине и этике – новый ИИ поможет уменьшить использование лабораторных животных

Исследователи из Goethe University Frankfurt и Philipps University Marburg представили генеративную систему искусственного интеллекта, которая может существенно сократить количество лабораторных животных, необходимых для доклинических испытаний новых препаратов. Об этом пишет Phys.

Смотрите также Исследователи намеренно раскачивали землю под Альпами – эксперимент удивил даже ученых

Сможет ли искусственный интеллект частично заменить опыты на животных?

Речь идет о технологии genESOM, созданной профессором Jörn Lötsch в сотрудничестве с профессором Alfred Ultsch. Результаты исследования были опубликованы сразу в нескольких научных журналах, в частности в Pharmacological Research, iScience и Briefings in Bioinformatics.

Ученые считают, что новая система может помочь уменьшить количество животных в исследованиях на 30 – 50 процентов, сохраняя при этом достоверность результатов.

Почему проблема требует нового решения?

На ранних этапах создания лекарств эксперименты на животных остаются важной частью проверки безопасности и эффективности новых активных веществ.

Однако научное сообщество постоянно сталкивается с этической дилеммой. С одной стороны, необходимо максимально сокращать использование лабораторных животных. С другой – выборка должна быть достаточно большой, чтобы результаты были статистически значимыми и репрезентативными. Именно этот баланс и пытается обеспечить genESOM.

Как работает новый алгоритм?

Система построена на сети из тысяч искусственных нейронов, которые анализируют внутреннюю структуру реальных экспериментальных данных.

После обучения алгоритм может создавать новые синтетические точки данных, которые ведут себя так, будто были получены во время реального лабораторного эксперимента.

Однако главная инновация заключается не только в генерации новых данных. Исследователи интегрировали в систему механизм контроля так называемой инфляции ошибок – проблемы, когда генеративный искусственный интеллект усиливает не только полезные закономерности, но и случайный шум.

Такие ошибки способны создавать ложноположительные результаты – ситуации, когда система ошибочно определяет статистически незначимые показатели как важные. Для решения этой проблемы команда разделила фазу обучения модели и фазу синтеза новых данных.

Это позволило вводить искусственный сигнал ошибки и точно отслеживать его распространение, формируя автоматический критерий остановки генерации до момента, когда результаты начинают терять научную достоверность.

Практическая проверка на модели рассеянного склероза

Эффективность genESOM протестировали на основе уже опубликованного исследования Fraunhofer Institute for Translational Medicine and Pharmacology, посвященного модели Multiple Sclerosis.

Как сообщает Science direct, в начальном эксперименте использовали 26 мышей, разделенных на три группы для проверки влияния экспериментального препарата.

Чтобы смоделировать сценарий с сокращенной выборкой, исследователи уменьшили количество животных до 18 – по шесть в каждой группе.

После такого сокращения все ранее выявленные терапевтические эффекты исчезли. Статистические тесты больше не показывали значимости, а алгоритмы машинного обучения не могли отличить результаты между группами.

Однако после дополнения данных синтетическими образцами, сгенерированными genESOM, все эффекты вернулись к первоначальному уровню статистической значимости. При этом система не создала существенных ложноположительных результатов.

По словам Йорна Летча, "Если в эксперименте участвует слишком мало животных, а их количество затем просто дополняют с помощью генеративного искусственного интеллекта, эксперимент может быстро потерять научную ценность из-за усиления случайных результатов."

Почему AI не сможет полностью заменить реальные эксперименты?

Несмотря на обнадеживающие результаты, авторы отмечают: genESOM не является полной альтернативой традиционным экспериментам. Искусственный интеллект способен работать только на основе уже полученных реальных данных.

Как объясняет Летч, если в исследовании сначала будет слишком мало животных, генеративный алгоритм только усилит случайные закономерности, делая выводы ненадежными.

Впрочем, команда убеждена, что технология способна сделать весомый вклад в развитие более гуманной доклинической науки. Если дальнейшие проверки подтвердят эффективность genESOM, это может стать важным шагом к пересмотру стандартов биомедицинских исследований во всем мире.