В останні роки питання етики у наукових дослідженнях стало надзвичайно актуальним, особливо коли йдеться про використання тварин у лабораторних умовах. Нещодавно представлений новий штучний інтелект обіцяє суттєво зменшити потребу в експериментах на живих істотах, що може стати справжнім проривом у медицині та біоетичних практиках. Цей інноваційний підхід базується на аналізі великих обсягів даних і моделюванні процесів, які раніше вимагали проведення численних тестув
Розробка німецьких учених може змінити підхід до доклінічних випробувань ліків. Новий генеративний штучний інтелект уже продемонстрував здатність зменшувати потребу в експериментах на тваринах без втрати наукової точності.
Дослідники зGoethe University Frankfurt та Philipps University Marburgпредставили генеративну систему штучного інтелекту, яка може суттєво скоротити кількість лабораторних тварин, необхідних для доклінічних випробувань нових препаратів. Про це пишеPhys.
Дивіться такожДослідники навмисно розгойдували землю під Альпами – експеримент здивував навіть учених
Йдеться про технологіюgenESOM, 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.
На ранніх етапах створення ліків експерименти на тваринах залишаються важливою частиною перевірки безпеки та ефективності нових активних речовин.
Проте наукова спільнотапостійно 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.
Система побудована на мережіз 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.
Однакголовна інноваціяполягає 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 створюватихибнопозитивні 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.
Ефективність genESOM протестували на основі вже опублікованого дослідження Fraunhofer Institute forTranslational Medicine and Pharmacology, присвяченого моделі Multiple Sclerosis.
Як повідмоляєScience 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."
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.