L'intelligenza artificiale generativa può ridurre significativamente il numero di esperimenti sugli animali
Tra il 30 e il 50% di topi in meno per gli esperimenti di ricerca farmacologica
Annunci
Ricercatori della Goethe University e della Philipps University Marburg, in collaborazione con il Fraunhofer Institute for Translational Medicine and Pharmacology ITMP, hanno sviluppato una nuova intelligenza artificiale per ridurre gli esperimenti sugli animali. L'intelligenza artificiale, chiamata genESOM, è stata addestrata per "imparare" la struttura di piccoli insiemi di dati. Utilizza queste informazioni apprese per generare nuovi punti di dati. Questi punti di dati riproducono le proprietà dei dati raccolti sperimentalmente con la stessa precisione con cui sarebbero stati ottenuti negli esperimenti di laboratorio. In futuro, genESOM potrebbe ridurre del 30-50% il numero di animali da laboratorio necessari per testare nuovi principi attivi.
Nelle prime fasi dello sviluppo di un farmaco, i nuovi principi attivi vengono testati sugli animali, insieme a numerosi altri metodi sperimentali. I ricercatori si trovano di fronte a un dilemma: da un lato, per ragioni etiche, mirano a mantenere il numero di animali utilizzati in un esperimento il più basso possibile. Dall'altro lato, gli esperimenti sugli animali devono includere un numero sufficiente di animali per produrre risultati affidabili e rappresentativi, ad esempio per determinare se un nuovo farmaco candidato produce un effetto specifico.
Il professor Jörn Lötsch, data scientist e farmacologo clinico della Goethe University, in collaborazione con l'informatico professor Alfred Ultsch dell'Università Philipps di Marburgo - nessuno dei quali conduce esperimenti sugli animali - ha sviluppato un'intelligenza artificiale generativa chiamata genESOM. genESOM si basa su una rete di migliaia di neuroni artificiali che "impara" la struttura interna di un set di dati. Ciò consente di espandere il volume dei dati ottenuti sperimentalmente e di simulare un numero maggiore di animali nell'esperimento rispetto a quelli effettivamente utilizzati.
Monitoraggio integrato degli errori
Per addestrare l'intelligenza artificiale, gli scienziati hanno utilizzato i dati esistenti di uno studio sui topi precedentemente pubblicato e condotto presso il Fraunhofer ITMP. Il team di ricerca ha realizzato due innovazioni fondamentali: la prima è stata l'addestramento dell'IA a generare nuovi punti dati basati sui dati dello studio, che si integrano nella struttura dei dati appresi come se fossero stati ottenuti in esperimenti reali.
La seconda innovazione è stata l'integrazione del monitoraggio degli errori direttamente nel processo di generazione di nuovi punti dati. I metodi di IA generativa rischiano generalmente di amplificare non solo il segnale rilevante, ma anche il rumore e la variazione casuale. Questo problema è noto come inflazione degli errori e può portare a identificare erroneamente come rilevanti per il trattamento variabili che in realtà sono insignificanti (le cosiddette variabili falso-positive).
Separando deliberatamente la fase di apprendimento da quella di sintesi, è possibile introdurre un segnale di errore artificiale nel processo e misurarne con precisione la propagazione. Ciò si traduce in un criterio di arresto guidato dai dati che arresta la generazione dei dati prima che la validità scientifica sia compromessa.
Addestramento dell'intelligenza artificiale con i dati degli studi pubblicati
genESOM ha superato una prova pratica utilizzando i dati di uno studio preclinico su un modello di sclerosi multipla. Nello studio originale, 26 topi sono stati divisi in tre gruppi di trattamento per studiare gli effetti di un farmaco sperimentale. Lötsch e Ultsch hanno ridotto il set di dati a 18 animali (sei per gruppo) per simulare un esperimento più piccolo. Quando hanno analizzato questo set di dati ridotto, tutti gli effetti del trattamento precedentemente rilevati sono scomparsi completamente: i test statistici non hanno mostrato alcuna significatività e i metodi di apprendimento automatico non sono riusciti a distinguere tra i gruppi di trattamento. Dopo aver aumentato il set di dati ridotto con ulteriori punti di dati utilizzando genESOM, tutti gli effetti dell'esperimento completo sono ricomparsi al livello di significatività originale, senza introdurre risultati falsi positivi rilevanti. Metodi alternativi di intelligenza artificiale, tra cui le complesse reti neurali ad apprendimento profondo testate dai ricercatori, hanno fallito in questo caso.
Lötsch spiega: "Ora abbiamo testato una serie di set di dati in modo simile e oggi possiamo dire: con genESOM, il numero di animali utilizzati nella ricerca esplorativa può essere ridotto del 30-50% mantenendo la validità scientifica". Tuttavia, lo scienziato dei dati sottolinea che genESOM può imparare solo dai dati ottenuti in esperimenti reali su animali. Né è possibile ridurre arbitrariamente il numero di animali da laboratorio: "Se in un esperimento vengono inclusi troppo pochi animali e il loro numero viene poi semplicemente integrato utilizzando l'IA generativa, l'esperimento potrebbe rapidamente diventare scientificamente inutile a causa dell'amplificazione dei risultati casuali". Tuttavia, Lötsch è convinto: "Con genESOM, possiamo dare un contributo importante alla riduzione del numero di esperimenti sugli animali in vaste aree della ricerca preclinica".
Il progetto è stato finanziato dalla Fondazione tedesca per la ricerca (DFG) con il titolo "Algoritmo generativo basato sull'intelligenza artificiale per aumentare la predittività degli studi preclinici mantenendo piccole dimensioni del campione".
Nota: questo articolo è stato tradotto utilizzando un sistema informatico senza intervento umano. LUMITOS offre queste traduzioni automatiche per presentare una gamma più ampia di notizie attuali. Poiché questo articolo è stato tradotto con traduzione automatica, è possibile che contenga errori di vocabolario, sintassi o grammatica. L'articolo originale in Inglese può essere trovato qui.
Pubblicazione 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
Altre notizie dal dipartimento scienza
