L'intelligence artificielle générative peut réduire considérablement le nombre d'expériences sur les animaux
Entre 30 et 50 % de souris en moins pour les expériences de recherche pharmacologique
Annonces
Des chercheurs de l'université Goethe et de l'université Philipps de Marburg, en collaboration avec l'Institut Fraunhofer de médecine translationnelle et de pharmacologie ITMP, ont mis au point une nouvelle intelligence artificielle pour réduire les expériences sur les animaux. L'IA, appelée genESOM, a été entraînée à "apprendre" la structure de petits ensembles de données. Elle utilise ces informations apprises pour générer de nouveaux points de données. Ces points de données reproduisent les propriétés des données collectées expérimentalement avec autant de précision que si elles avaient été obtenues en laboratoire. À l'avenir, genESOM pourrait réduire de 30 à 50 % le nombre d'animaux de laboratoire nécessaires pour tester de nouvelles substances actives.
Au cours des premières phases de développement d'un médicament, les nouvelles substances actives sont testées sur des animaux, parallèlement à de nombreuses autres méthodes expérimentales. Les chercheurs sont confrontés à un dilemme : d'une part, pour des raisons éthiques, ils cherchent à réduire au maximum le nombre d'animaux utilisés dans une expérience. D'autre part, les expériences sur les animaux doivent inclure suffisamment d'animaux pour produire des résultats fiables et représentatifs, par exemple pour déterminer si un nouveau médicament candidat produit un effet spécifique.
Le professeur Jörn Lötsch, data scientist et pharmacologue clinique à l'université Goethe, en coopération avec l'informaticien Alfred Ultsch de l'université Philipps de Marburg - aucun des deux ne pratiquant lui-même d'expériences sur les animaux - a développé une intelligence artificielle générative appelée genESOM. genESOM est basé sur un réseau de milliers de neurones artificiels qui "apprend" la structure interne d'un ensemble de données. Cela lui permet d'augmenter le volume des données obtenues expérimentalement et de simuler un plus grand nombre d'animaux dans l'expérience que ceux qui ont été réellement utilisés.
Surveillance intégrée des erreurs
Pour former l'IA, les scientifiques ont utilisé des données existantes provenant d'une étude sur les souris publiée antérieurement et réalisée par le Fraunhofer ITMP. L'équipe de recherche a réalisé deux innovations majeures : premièrement, elle a formé l'IA à générer de nouveaux points de données basés sur les données de l'étude qui s'intègrent dans la structure de données apprise comme s'ils avaient été obtenus lors d'expériences réelles.
La seconde innovation a consisté à intégrer la surveillance des erreurs directement dans le processus de génération de nouveaux points de données. Les méthodes d'IA générative risquent généralement d'amplifier non seulement le signal pertinent, mais aussi le bruit et les variations aléatoires. Ce problème est connu sous le nom d'inflation des erreurs et peut conduire à ce que des variables qui sont en réalité insignifiantes soient incorrectement identifiées comme pertinentes pour le traitement (ce que l'on appelle des variables faussement positives).
En séparant délibérément la phase d'apprentissage de la phase de synthèse, il devient possible d'introduire un signal d'erreur artificiel dans le processus et de mesurer précisément sa propagation. Il en résulte un critère d'arrêt basé sur les données qui interrompt la génération de données avant que la validité scientifique ne soit compromise.
Entraînement à l'IA avec des données d'études publiées
genESOM a passé un test pratique en utilisant les données d'une étude préclinique sur un modèle de sclérose en plaques. Dans l'étude originale, 26 souris ont été divisées en trois groupes de traitement pour étudier les effets d'un médicament expérimental. Lötsch et Ultsch ont réduit l'ensemble des données à 18 animaux (six par groupe) pour simuler une expérience plus petite. Lorsqu'ils ont analysé cet ensemble de données réduit, tous les effets du traitement précédemment détectés ont complètement disparu : les tests statistiques n'ont montré aucune signification et les méthodes d'apprentissage automatique n'ont pas pu faire la distinction entre les groupes de traitement. Après avoir ajouté des points de données supplémentaires à l'ensemble de données réduit à l'aide de genESOM, tous les effets de l'expérience complète sont réapparus au niveau de signification initial - sans introduire de résultats faussement positifs pertinents. D'autres méthodes d'IA, y compris les réseaux neuronaux complexes d'apprentissage en profondeur testés par les chercheurs, ont échoué dans ce cas.
Lötsch explique : "Nous avons maintenant testé un certain nombre d'ensembles de données de manière similaire et nous pouvons dire aujourd'hui : avec genESOM, le nombre d'animaux utilisés dans la recherche exploratoire peut être réduit de 30 à 50 pour cent tout en maintenant la validité scientifique." Le data scientist souligne toutefois que genESOM ne peut apprendre qu'à partir de données obtenues dans le cadre d'expérimentations animales réelles. Le nombre d'animaux de laboratoire ne peut pas non plus être réduit arbitrairement : "Si un trop petit nombre d'animaux est inclus dans une expérience et que ce nombre est ensuite simplement complété à l'aide de l'IA générative, l'expérience pourrait rapidement devenir scientifiquement inutile en raison de l'amplification des résultats aléatoires." Néanmoins, Lötsch est convaincu : "Avec genESOM, nous pouvons apporter une contribution importante à la réduction du nombre d'expériences sur les animaux dans de vastes domaines de la recherche préclinique."
Le projet a été financé par la Fondation allemande pour la recherche (DFG) sous le titre "Generative artificial intelligence-based algorithm to increase the predictivity of preclinical studies while keeping sample sizes" (algorithme génératif basé sur l'intelligence artificielle pour augmenter la prédictivité des études précliniques tout en conservant des échantillons de petite taille).
Note: Cet article a été traduit à l'aide d'un système informatique sans intervention humaine. LUMITOS propose ces traductions automatiques pour présenter un plus large éventail d'actualités. Comme cet article a été traduit avec traduction automatique, il est possible qu'il contienne des erreurs de vocabulaire, de syntaxe ou de grammaire. L'article original dans Anglais peut être trouvé ici.
Publication originale
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
Annonces
Autres actualités du département science
