Новости и мнения

Химический экран на основе программного обеспечения может минимизировать тестирование на животных

ISTOCK, NIDERLANDER

Программный химический экран может минимизировать тестирование на животных

Исследователи разрабатывают инструмент машинного обучения для анализа токсичности, который является более последовательным в прогнозировании химической опасности, чем анализы на животных.

Во всем мире миллионы животных используются для тестирования токсичности соединений, предназначенных для человека и окружающей среды. Теперь токсикологи разработали программное обеспечение, которое может точно предсказать результаты этих анализов.

Исследователи собрали информацию из общедоступных баз данных, включая PubChem и Национальную токсикологическую программу США, о 10 миллионах химических структур и существующих данных о химической безопасности, чтобы разработать алгоритм, который был бы по крайней мере настолько же надежным, чем само тестирование на животных. Инструмент был на 87 процентов точным в прогнозировании результатов испытаний на животных, в то время как повторение испытаний на животных было в среднем только на цели в 81 проценте случаев. Результаты были опубликованы на этой неделе (11 июля) в токсикологических наук .

«Нет сомнений в том, что это инновационный подход», – сказала Фиона Сьюэлл, руководитель программы по токсикологии и регуляторным наукам в Национальном центре по замене, переработке и сокращению животных в исследованиях в Великобритании, которая не участвовала в работе, пишет в электронном письме к ученому . «Время покажет, дает ли оно на практике надежную альтернативу методам, основанным на экспериментальных животных».

«Я чрезвычайно оптимистичен в отношении этого и других подобных инструментов для ограничения испытаний на животных», – говорит Эндрю Роуэн , главный научный сотрудник Гуманного общества Соединенных Штатов, который также не принимал участия в работе. «Использование животных для прогнозирования безопасности человека значительно ошибочно и очень дорого. Комплексное тестирование занимает три года, а такой инструмент – минуты ».

За определенную плату Андеррайтерские лаборатории в Иллинойсе – независимая глобальная научная компания по безопасности, которая частично финансировала эту работу – уже предоставили программное обеспечение команды Хопкинса компаниям, желающим проверить свои продукты перед отправкой данных по безопасности в регулирующие органы для проверки.

Я начал продвигать альтернативные тесты на животных 42 года назад и никогда не думал, что смогу предсказать конец большинства испытаний на животных, но эта цель уже видна.

– Эндрю Роуэн, Гуманное Общество Соединенных Штатов

Во многих странах, в том числе в Соединенных Штатах, регулирующие органы осуществляют надзор за новыми химическими веществами для коммерческого и экологического использования, а также для потребительских товаров, что требует представления хотя бы некоторых данных по безопасности. В то же время многие страны также стремятся ограничить использование животных при получении этих данных.

В 2008 году Национальные институты здравоохранения США, Агентство по охране окружающей среды (EPA), Национальная токсикологическая программа (NTP) и Управление по контролю за продуктами и лекарствами (FDA) совместно инициировали Tox21 для разработки более эффективного и своевременного тестирования на токсичность, не связанного с животными. В 2013 году Европейский союз ввел запрет на тестирование на животных для косметических продуктов, а Европейское химическое агентство (ECHA ) поощряет альтернативы тестированию на животных. А в 2016 году правительство США приняло обновление Закона о контроле над токсичными веществами (TSCA), в котором говорится, что федеральные агентства должны помочь сократить и заменить тесты на безопасность животных, которые отрасль проводит и представляет регулирующим органам.

Чтобы разработать свой новый программный инструмент, Томас Хартунг , директор Центра по альтернативам испытаниям на животных в Университете Джона Хопкинса, и его коллеги сначала показали, что из 9 801 химического вещества, которое они анализировали, вещества со схожими структурами обычно имели схожие данные о безопасности. Исследователи использовали базу данных профилированных химических веществ, которые были сделаны общедоступными через ECHA, после вступления в силу закона REACH (Регистрация, оценка, авторизация и ограничение химических веществ), принятого в 2007 году, который предписывает компаниям выявлять и раскрывать безопасность и риски. информация о веществах, которые они производят и продают.

Для текущей работы команда добавила данные из дополнительных баз данных, чтобы алгоритм сделал 50 триллионов парных сравнений 10 миллионов соединений. Используя имеющиеся данные о безопасности, в том числе данные испытаний на животных, разработчики создали модель, которую они сравнили с результатами безопасности шести испытаний на животных для каждого химического вещества.

Их анализ выявил избыточность при тестировании на животных. Два химических вещества были испытаны независимо более 90 раз, а базы данных содержали данные по 69 химическим веществам, каждое из которых было испытано более 45 раз, часто независимо друг от друга различными компаниями.

Многочисленные независимые результаты испытаний были ценны при разработке этого инструмента, который показал «высокую степень неопределенности результатов испытаний на животных», – пишет в электронном письме The Scientist Кристофер Грульке , ученый- химиоинформатик из EPA.

Чтобы придумать алгоритм, команда объединила как результаты испытаний на животных, так и 74 категории химических свойств, чтобы разработать модель прогнозирования безопасности. В целом, программное обеспечение предсказывало результаты безопасности химического вещества так же хорошо, как и тесты на животных, и в некоторых случаях программное обеспечение работало лучше.

У этого метода есть ограничения, которые, как было показано, не позволяют надежно прогнозировать более сложные токсические эффекты, которые могут проявиться в долгосрочной перспективе, включая риск того, что химическое соединение вызывает рак, говорит Хартунг. «Такие методы могут оказаться или не оказаться столь же прогностическими для долгосрочной сложной токсикологии», – добавляет Грульке.

Если результаты этого цифрового анализа химического сходства объединить с дополнительными биологическими данными, которые могут раскрыть механизмы токсичности, «мы могли бы гораздо лучше прогнозировать опасности и риски для человека, чем использовать тестирование на животных, которое должно быть гораздо более привлекательным для регулирующие органы, которые используют только моделирование », – сказала Роуэн.

По словам Грульке, агентство «поддерживает переход к подходам, не относящимся к животным, так как они доказывают свою применимость к принятию решений по химической безопасности», и внутренне работает над достижением этой цели. EPA в настоящее время оценивает это новое программное обеспечение вместе с дополнительными алгоритмами от других исследовательских групп. Все эти инструменты были предоставлены EPA на недавней рабочей группе по острой токсичности в Министерстве здравоохранения и социальных служб США и являются частью глобального усилия по минимизации тестирования на животных.

По словам Хартунга, FDA также находится в процессе анализа и тестирования этого нового программного обеспечения.

Роуэн воодушевлена ​​новыми усилиями. «Это относительно недорогой способ тестирования химических веществ, и я хотел бы, чтобы многие люди использовали этот инструмент для прогнозирования результатов токсичности. Я начал продвигать альтернативные тесты на животных 42 года назад и никогда не думал, что в течение своей карьеры я смогу предсказать конец большинства испытаний на животных, но эта цель уже видна и с лучшими результатами для людей ».

Хартунг говорит, что команда в настоящее время работает над усовершенствованием своего алгоритма и включением данных о биологическом действии соединений, чтобы включить не только острую токсичность, но и более сложные конечные точки безопасности. «Это не конец всех испытаний на животных», – говорит Хартунг. «Но это важный шаг, чтобы избавиться от этого».

T. Luechtefeld и соавт., «Машинное обучение больших данных по токсикологии позволяет получать информацию о взаимосвязях между структурной активностью (RASAR), превосходящую воспроизводимость результатов испытаний на животных», T Toxicol Sci , doi.org/10.1093/toxsci/kfy152, 2018.

Обсуждение

Ваш e-mail не будет опубликован. Обязательные поля помечены *