利用人工智能和开放科学毒理学风险评估

背景:人工智能(AI)的应用经历了高潮在几乎所有科学学科。从物理和医学社会科学和生物学,科学家已经越来越多地应用先进的机器学习和深度学习技术来解决问题,不能解决的很长一段时间。作为一个例子,一个五十岁以上的科学挑战预测三维蛋白质构象的主要氨基酸序列是最近强烈先进应用深度学习。AlphaFold 2团队,负责解决这个挑战,已经在这个问题上工作过,现在能大大提高他们的性能预测模型,运用创新的人工智能技术(Tunyasuvunakool et al ., 2021)和公开分享他们的工作。这个例子展示了如何AI不仅革新了我们解决科学问题,也是我们合作的方式。越来越多的研究人员使用开源软件进行计算和写算法。越来越多的这项工作是通过公开共享存储库。
在本研究课题我们解决途径更好地预测化合物的毒性在人类环境风险。这个话题的目的是收集实际的人工智能应用的例子来解决复杂的毒理学问题。尤其是预测风险相关的化合物接触,一直是领域经典,科学家们和监管机构一直依赖动物实验。尽管已经取得了进展来取代一些强制性的动物实验通过体外测试电池,目前没有AI-driven方法已被接受作为一个有效的风险评估方法在欧洲或美国。

目标:虽然计算毒理学已经存在了很长一段时间,工作的重点已经雇佣更多的经典预测方法,如基于生理药物动力学(PBPK),定量结构活性关系(构象)和微分方程建模。直到最近,机器学习和深度学习技术发现进入预测化学物质对人类的危害。显然,有许多例子技术,如PBPK定量构效关系可以通过使用机器学习,丰富和可能导致更好地预测和集成数据源或只使用更多的数据。而言,建立一个人工智能,可以自信地预测风险和毒理学风险对于人类来说,我们还没有做到这一点。考虑到大量的人工智能领域的进步仅仅过去五年,我们认为现在时机成熟了建立一个真正的概率风险评估框架,结合人工智能提供的一切。这不仅会导致动物的减少用于风险评估,但它也将导致更好的理解如何化合物对人类健康造成效果和更好地预测。

作者:范围和细节传统方法如动物实验和体外测试电池遵循一个从根本上不同的方法来评估风险,比人工智能方法。新兴技术在自然语言处理中,语义互操作性、机器学习和深度学习连接这些方法还提供了一个途径。这个研究课题的目标是展示小说AI-driven方法和工具对体内和体外方法与机器学习相结合,或者AI-only方法,会导致建立一个概率风险评估框架。
论文提交到这个研究课题应该展示和/或突出的潜力方法适应或集成到复合安全风险评估。我们特别邀请的贡献,解决综合方法同时处理多个方面的风险评估。研究贡献展示人工智能方法,如化学信息与历史动物数据集成、体外和组学数据的读取方式是高度重视的。
本研究课题将包括审查文件和原始的研究论文。回顾论文应总结现有相关文献和突出的趋势,以及未来的发展方向。原始研究论文应该利用和/或整合体内,体外和机器学习方法。原始文件,只有使用体外/体内数据或机器学习方法将不考虑。
我们鼓励原创论文提出新方法或计算工具,结合现有的(即。发表)模型和/或方法,或部署现有模型和/或方法。作者应该解决数据收集和模型可用于概率风险评估上下文。我们也希望邀请更多的技术贡献,旨在教育观众在执行机器学习任务。贡献,教育范围应该展示一个案例,使用编程代码,应该写在教程的风格。材料与那些采用论文应该是免费的和可重用的宽松的许可协议。一个教育贡献并不一定需要一个代码演示。也可以展示良好的实践,作者创建一个工作流或流程工具,或有价值的数据的描述,作者收集、描述和共享的。
作者还应该描述他们的工作最好是在坚持开放的科学原则。代码用于建立机器学习模型优先应公开在git存储库共享,应该清楚地记录。

Tunyasuvunakool, K。阿德勒,J。吴,Z。,等。2021。高度精确的蛋白质结构预测的人类蛋白质组。自然,596 (7873),590 - 596。