A Inteligência Artificial Generativa pode reduzir significativamente o número de experiências com animais
Entre 30 e 50 por cento menos ratos para experiências de investigação farmacológica
Anúncios
Investigadores da Universidade Goethe e da Universidade Philipps de Marburgo, em colaboração com o Instituto Fraunhofer de Medicina Translacional e Farmacologia ITMP, desenvolveram uma nova inteligência artificial para reduzir as experiências com animais. A IA, denominada genESOM, foi treinada para "aprender" a estrutura de pequenos conjuntos de dados. Utiliza esta informação aprendida para gerar novos pontos de dados. Estes pontos de dados reproduzem as propriedades dos dados recolhidos experimentalmente com tanta precisão como se tivessem sido obtidos em experiências laboratoriais. No futuro, o genESOM poderá reduzir o número de animais de laboratório necessários para testar novas substâncias activas em 30 a 50%.
Nas fases iniciais do desenvolvimento de medicamentos, as novas substâncias activas são testadas em animais - a par de numerosos outros métodos experimentais. Os investigadores enfrentam um dilema: por um lado, por razões éticas, pretendem manter o número de animais utilizados numa experiência tão baixo quanto possível. Por outro lado, as experiências com animais devem incluir um número suficiente de animais para produzir resultados fiáveis e representativos, por exemplo, para determinar se um novo candidato a medicamento produz um efeito específico.
O Professor Jörn Lötsch, cientista de dados e farmacologista clínico da Universidade Goethe, em cooperação com o cientista informático Professor Alfred Ultsch da Universidade Philipps de Marburgo - nenhum dos quais realiza ele próprio experiências com animais - desenvolveu uma inteligência artificial generativa chamada genESOM. Isto permite-lhe expandir o volume de dados obtidos experimentalmente e simular um maior número de animais na experiência do que os que foram efetivamente utilizados.
Monitorização integrada de erros
Para treinar a IA, os cientistas utilizaram dados existentes de um estudo de ratos publicado anteriormente e realizado no Fraunhofer ITMP. A equipa de investigação conseguiu duas inovações fundamentais: em primeiro lugar, treinar a IA para gerar novos pontos de dados com base nos dados do estudo que se integram na estrutura de dados aprendida como se tivessem sido obtidos em experiências reais.
A segunda inovação foi a integração da monitorização de erros diretamente no processo de geração de novos pontos de dados. Os métodos de IA generativa correm geralmente o risco de amplificar não só o sinal relevante, mas também o ruído e a variação aleatória. Este problema é conhecido como inflação de erros e pode levar a que variáveis que na realidade são insignificantes sejam incorretamente identificadas como relevantes para o tratamento (as chamadas variáveis falso-positivas).
Ao separar deliberadamente a fase de aprendizagem da fase de síntese, torna-se possível introduzir um sinal de erro artificial no processo e medir com precisão a sua propagação. Isto resulta num critério de paragem orientado pelos dados que interrompe a geração de dados antes de a validade científica ser comprometida.
Treino de IA com dados de estudos publicados
O genESOM passou num teste prático utilizando dados de um estudo pré-clínico num modelo de esclerose múltipla. No estudo original, 26 ratos foram divididos em três grupos de tratamento para investigar os efeitos de um medicamento experimental. Lötsch e Ultsch reduziram o conjunto de dados a 18 animais (seis por grupo) para simular uma experiência mais pequena. Quando analisaram este conjunto de dados reduzido, todos os efeitos de tratamento anteriormente detectados desapareceram completamente: os testes estatísticos não revelaram qualquer significância e os métodos de aprendizagem automática não conseguiram distinguir entre os grupos de tratamento. Depois de aumentar o conjunto de dados reduzido com pontos de dados adicionais utilizando o genESOM, todos os efeitos da experiência completa reapareceram ao nível original de significância - sem introduzir resultados falsos positivos relevantes. Métodos alternativos de IA, incluindo redes neurais complexas de aprendizagem profunda testadas pelos investigadores, falharam neste caso.
Lötsch explica: "Já testámos uma série de conjuntos de dados de forma semelhante e podemos dizer hoje: com o genESOM, o número de animais utilizados na investigação exploratória pode ser reduzido em 30 a 50 por cento, mantendo a validade científica". No entanto, o cientista de dados sublinha que o genESOM só pode aprender com dados obtidos em experiências reais com animais. O número de animais de laboratório também não pode ser reduzido arbitrariamente: "Se forem incluídos muito poucos animais numa experiência e o número for simplesmente suplementado utilizando IA generativa, a experiência pode rapidamente tornar-se cientificamente inútil devido à amplificação de resultados aleatórios". No entanto, Lötsch está convencido: "Com o genESOM, podemos dar um contributo importante para a redução do número de experiências com animais em grandes áreas da investigação pré-clínica".
O projeto foi financiado pela Fundação Alemã para a Investigação (DFG) sob o título "Algoritmo generativo baseado em inteligência artificial para aumentar a previsibilidade dos estudos pré-clínicos, mantendo pequenas dimensões das amostras".
Observação: Este artigo foi traduzido usando um sistema de computador sem intervenção humana. A LUMITOS oferece essas traduções automáticas para apresentar uma gama mais ampla de notícias atuais. Como este artigo foi traduzido com tradução automática, é possível que contenha erros de vocabulário, sintaxe ou gramática. O artigo original em Inglês pode ser encontrado aqui.
Publicação 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
Outras notícias do departamento ciência
