La inteligencia artificial generativa puede reducir significativamente el número de experimentos con animales
Entre un 30 y un 50 por ciento menos de ratones para experimentos de investigación farmacológica
Anuncios
Investigadores de la Universidad Goethe y la Universidad Philipps de Marburgo, en colaboración con el Instituto Fraunhofer de Medicina Traslacional y Farmacología ITMP, han desarrollado una nueva inteligencia artificial para reducir los experimentos con animales. La IA, llamada genESOM, fue entrenada para "aprender" la estructura de pequeños conjuntos de datos. Utiliza esta información aprendida para generar nuevos puntos de datos. Estos puntos de datos reproducen las propiedades de los datos recogidos experimentalmente con la misma precisión que si se hubieran obtenido en experimentos de laboratorio. En el futuro, genESOM podría reducir entre un 30 y un 50 por ciento el número de animales de laboratorio necesarios para probar nuevos principios activos.
En las primeras fases del desarrollo de fármacos, los nuevos principios activos se prueban en animales, junto con otros muchos métodos experimentales. Los investigadores se enfrentan a un dilema: por un lado, por razones éticas, quieren reducir al máximo el número de animales utilizados en un experimento. Por otro lado, los experimentos con animales deben incluir un número suficiente de animales para producir resultados fiables y representativos, por ejemplo para determinar si un nuevo candidato a fármaco produce un efecto específico.
El profesor Jörn Lötsch, científico de datos y farmacólogo clínico de la Universidad Goethe, en colaboración con el informático Alfred Ultsch, de la Universidad Philipps de Marburgo -ninguno de los cuales realiza él mismo experimentos con animales-, ha desarrollado una inteligencia artificial generativa llamada genESOM. genESOM se basa en una red de miles de neuronas artificiales que "aprende" la estructura interna de un conjunto de datos. Esto le permite ampliar el volumen de datos obtenidos experimentalmente y simular un mayor número de animales en el experimento de los que realmente se utilizaron.
Control de errores integrado
Para entrenar la IA, los científicos utilizaron los datos existentes de un estudio con ratones publicado anteriormente y realizado en el Fraunhofer ITMP. El equipo de investigación logró dos innovaciones clave: en primer lugar, entrenar a la IA para generar nuevos puntos de datos basados en los datos del estudio que se integran en la estructura de datos aprendida como si se hubieran obtenido en experimentos reales.
La segunda innovación consistió en integrar la supervisión de errores directamente en el proceso de generación de nuevos puntos de datos. Por lo general, los métodos generativos de IA corren el riesgo de amplificar no sólo la señal relevante, sino también el ruido y la variación aleatoria. Este problema se conoce como inflación de errores y puede dar lugar a que variables que en realidad son insignificantes se identifiquen incorrectamente como relevantes para el tratamiento (las denominadas variables falso-positivas).
Al separar deliberadamente la fase de aprendizaje de la fase de síntesis, es posible introducir una señal de error artificial en el proceso y medir con precisión su propagación. El resultado es un criterio de detención basado en los datos que detiene la generación de datos antes de que se vea comprometida la validez científica.
Entrenamiento de la IA con datos de estudios publicados
genESOM superó una prueba práctica utilizando datos de un estudio preclínico sobre un modelo de esclerosis múltiple. En el estudio original, se dividió a 26 ratones en tres grupos de tratamiento para investigar los efectos de un fármaco experimental. Lötsch y Ultsch redujeron el conjunto de datos a 18 animales (seis por grupo) para simular un experimento más pequeño. Cuando analizaron este conjunto de datos reducido, todos los efectos del tratamiento detectados anteriormente desaparecieron por completo: las pruebas estadísticas no mostraron ninguna significación y los métodos de aprendizaje automático no pudieron distinguir entre los grupos de tratamiento. Tras aumentar el conjunto de datos reducido con puntos de datos adicionales mediante genESOM, todos los efectos del experimento completo reaparecieron con el nivel de significación original, sin introducir resultados falsos positivos relevantes. Los métodos alternativos de IA, incluidas las complejas redes neuronales de aprendizaje profundo probadas por los investigadores, fracasaron en este caso.
Lötsch explica: "Ahora hemos probado una serie de conjuntos de datos de manera similar y podemos decir hoy: con genESOM, el número de animales utilizados en la investigación exploratoria se puede reducir entre un 30 y un 50 por ciento, manteniendo la validez científica." Sin embargo, el científico de datos subraya que genESOM sólo puede aprender de los datos obtenidos en experimentos con animales reales. Tampoco puede reducirse arbitrariamente el número de animales de laboratorio: "Si se incluyen muy pocos animales en un experimento y luego simplemente se complementa el número utilizando IA generativa, el experimento podría perder rápidamente su valor científico debido a la amplificación de hallazgos aleatorios." No obstante, Lötsch está convencido: "Con genESOM podemos contribuir de forma importante a reducir el número de experimentos con animales en grandes áreas de la investigación preclínica".
El proyecto fue financiado por la Fundación Alemana de Investigación (DFG) con el título "Algoritmo generativo basado en inteligencia artificial para aumentar la predictividad de los estudios preclínicos manteniendo pequeños los tamaños de muestra."
Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.
Publicación original
Jörn Lötsch, Benjamin Mayer, Natasja de Bruin, Alfred Ultsch; "Self-organizing neural network-based generative AI with embedded error inflation control enhances effective knowledge extraction from preclinical studies with reduced sample size"; Pharmacological Research, Volume 227
Jörn Lötsch, André Himmelspach, Dario Kringel; "Dimensionality-modulated generative AI for safe biomedical dataset augmentation"; iScience, Volume 29
Alfred Ultsch, Jörn Lötsch; "Augmenting small biomedical datasets using generative AI methods based on self-organizing neural networks"; Briefings in Bioinformatics, Volume 26, 2024-12-10
Más noticias del departamento ciencias
