Sztuczna inteligencja pomaga zmniejszyć skalę eksperymentów na zwierzętach

Naukowcy z Goethe-Universität Frankfurt, Philipps-Universität Marburg oraz Fraunhofer-Institut für Translationale Medizin und Pharmakologie ITMP opracowali nowy system generatywnej sztucznej inteligencji o nazwie genESOM, który może zmniejszyć liczbę zwierząt wykorzystywanych w badaniach przedklinicznych nawet o 30–50%. Technologia wykorzystuje samoorganizujące się sieci neuronowe do rozszerzania niewielkich zbiorów danych przy jednoczesnej kontroli błędów statystycznych i ograniczeniu ryzyka fałszywie dodatnich wyników.

W artykule

• Jak działa generatywna AI genESOM
• Dlaczego ograniczenie liczby zwierząt w badaniach jest trudnym wyzwaniem
• Mechanizm kontroli błędów i „inflacji szumu” w danych
• Wyniki testów na modelu stwardnienia rozsianego u myszy
• Możliwe zastosowania technologii w badaniach przedklinicznych
• Ograniczenia i ryzyka związane z wykorzystaniem AI w biomedycynie

Wczesne etapy opracowywania nowych leków nadal w dużym stopniu opierają się na badaniach przedklinicznych prowadzonych z udziałem zwierząt laboratoryjnych. Mimo rozwoju modeli komputerowych, hodowli komórkowych i technologii organ-on-chip, eksperymenty na zwierzętach pozostają jednym z podstawowych elementów oceny bezpieczeństwa oraz skuteczności nowych substancji czynnych.

Badacze od lat próbują jednak znaleźć rozwiązania pozwalające ograniczyć liczbę wykorzystywanych zwierząt bez pogarszania jakości danych naukowych. Problem polega na tym, że zbyt małe grupy badawcze zwiększają ryzyko uzyskania wyników przypadkowych, niereprezentatywnych lub statystycznie niewiarygodnych. Z drugiej strony zwiększanie liczby zwierząt rodzi istotne problemy etyczne.

Nowe rozwiązanie zaproponowane przez zespół z Niemiec może okazać się jednym z najbardziej obiecujących narzędzi wspierających realizację zasady 3R (Replacement, Reduction, Refinement) w badaniach biomedycznych.

Nowy system AI oparty na samoorganizujących się sieciach neuronowych

System nazwany genESOM został opracowany przez prof. Jörna Lötscha, specjalistę w dziedzinie analizy danych i farmakologii klinicznej z Goethe-Universität Frankfurt, we współpracy z prof. Alfredem Ultschem z Philipps-Universität Marburg. Naukowcy podkreślają, że sami nie prowadzą badań na zwierzętach, lecz zajmują się analizą danych biomedycznych oraz metodami sztucznej inteligencji.

genESOM bazuje na rozbudowanej architekturze samoorganizujących się sieci neuronowych (self-organizing neural networks). Algorytm „uczy się” wewnętrznej struktury niewielkich zbiorów danych pochodzących z badań przedklinicznych, a następnie generuje syntetyczne punkty danych, które zachowują właściwości statystyczne oryginalnego eksperymentu.

W praktyce oznacza to możliwość rozszerzenia małego zbioru danych w taki sposób, jakby eksperyment przeprowadzono na większej liczbie zwierząt laboratoryjnych.

Kluczowy problem: inflacja błędów i fałszywie dodatnie wyniki

Jednym z największych zagrożeń związanych z wykorzystaniem generatywnej sztucznej inteligencji w analizie biomedycznej jest zjawisko tzw. inflacji błędów (error inflation). Systemy AI mogą bowiem nie tylko wzmacniać rzeczywiste sygnały biologiczne, ale również przypadkowy szum statystyczny obecny w danych.

W efekcie może dochodzić do pojawiania się fałszywie dodatnich zależności, czyli zmiennych błędnie interpretowanych jako istotne biologicznie lub terapeutycznie.

Aby rozwiązać ten problem, twórcy genESOM zastosowali nowatorski mechanizm rozdzielenia fazy uczenia od fazy syntezy danych. Do procesu wprowadzono sztuczny sygnał błędu, którego propagacja była monitorowana podczas generowania nowych punktów danych. Pozwoliło to opracować mechanizm automatycznego zatrzymania procesu augmentacji danych przed momentem utraty naukowej wiarygodności wyników.

Testy na modelu stwardnienia rozsianego

Praktyczne działanie systemu oceniono na podstawie danych z wcześniej opublikowanego badania przedklinicznego dotyczącego modelu stwardnienia rozsianego u myszy.

W oryginalnym eksperymencie wykorzystano 26 myszy podzielonych na trzy grupy terapeutyczne. Naukowcy sztucznie zmniejszyli jednak zbiór danych do 18 zwierząt – po sześć w każdej grupie – aby zasymulować badanie o ograniczonej liczebności.

Po redukcji liczby zwierząt wszystkie wcześniej obserwowane efekty terapeutyczne przestały być statystycznie widoczne. Testy statystyczne nie wykazywały istotności, a klasyczne metody uczenia maszynowego nie potrafiły rozróżnić grup terapeutycznych.

Sytuacja zmieniła się po zastosowaniu genESOM. Po wygenerowaniu dodatkowych syntetycznych punktów danych odzyskano wszystkie efekty obserwowane w pełnym eksperymencie, przy zachowaniu pierwotnego poziomu istotności statystycznej. Co szczególnie istotne, nie pojawił się nadmiar fałszywie dodatnich wyników.

Alternatywne modele AI okazały się mniej skuteczne

Autorzy podkreślają, że porównywali genESOM z innymi metodami generatywnej sztucznej inteligencji, w tym z bardziej złożonymi modelami deep learning. W analizowanych eksperymentach konkurencyjne rozwiązania nie były w stanie odtworzyć rzeczywistych efektów biologicznych przy zachowaniu odpowiedniej kontroli błędów.

Według badaczy przewaga genESOM wynika właśnie z zastosowania samoorganizujących się sieci neuronowych oraz zintegrowanego systemu kontroli jakości generowanych danych.

Możliwość ograniczenia liczby zwierząt o 30–50%

Na podstawie dotychczas przeprowadzonych analiz autorzy szacują, że wykorzystanie genESOM może pozwolić na redukcję liczby zwierząt laboratoryjnych o około 30–50% w przypadku badań eksploracyjnych.

Technologia może mieć szczególne znaczenie w badaniach farmakologicznych, toksykologicznych oraz w eksperymentach dotyczących nowych terapii biologicznych i neurologicznych.

Jednocześnie naukowcy podkreślają, że generatywna AI nie zastąpi całkowicie eksperymentów biologicznych. System może uczyć się wyłącznie na podstawie rzeczywistych danych uzyskanych z badań laboratoryjnych. Zbyt mała liczba zwierząt w eksperymencie wejściowym może prowadzić do dominacji przypadkowych zależności i utraty wartości naukowej całego badania.

AI a przyszłość badań przedklinicznych

Rozwiązania takie jak genESOM wpisują się w szybko rozwijający się trend wykorzystania sztucznej inteligencji do optymalizacji badań biomedycznych. Coraz częściej AI jest wykorzystywana do:

• projektowania eksperymentów biologicznych,
• modelowania odpowiedzi farmakologicznych,
• przewidywania toksyczności leków,
• analizy wielowymiarowych danych omicznych,
• redukcji kosztów badań przedklinicznych,
• ograniczania wykorzystania zwierząt laboratoryjnych.

W perspektywie kolejnych lat technologie augmentacji danych mogą stać się standardowym elementem projektowania badań biomedycznych, zwłaszcza w obszarach wymagających kosztownych lub etycznie problematycznych eksperymentów.

Źródło: Pharmacological Research, Self-organizing neural network-based generative AI with embedded error inflation control enhances effective knowledge extraction from preclinical studies with reduced sample size
DOI: https://doi.org/10.1016/j.phrs.2026.108159