Pesquisadores da Eawag e do Swiss Data Science Center treinaram algoritmos de IA com um conjunto abrangente de dados ecotoxicológicos. Agora, seus modelos de machine learning podem prever o quão tóxicos os produtos químicos são para os peixes.
Os produtos químicos desempenham um papel importante em nossas vidas cotidianas, por exemplo, na produção de alimentos, medicamentos e vários bens cotidianos. Seu impacto na saúde humana e no meio ambiente é monitorado de perto usando vários mecanismos de controle. Por exemplo, a UE estipula no regulamento REACH que testes de toxicidade de peixes devem ser realizados para todos os produtos químicos com um volume mínimo de produção anual de 10 toneladas. Esses testes são caros – e exigem cerca de 50.000 peixes por ano na Europa.
Cientistas têm trabalhado por várias décadas em métodos alternativos que são mais baratos e, acima de tudo, não requerem o uso de animais de laboratório. Grandes esperanças são depositadas em métodos baseados em computador que podem prever os efeitos de produtos químicos em peixes.
Poder preditivo promissor dos modelos
O instituto de pesquisa aquática Eawag e o Swiss Data Science Center (SDSC) uniram forças para cuarte um conjunto de dados ecotoxicológicos abrangente, disponibilizado à comunidade científica, para ajudar a desenvolver e comparar novos algoritmos de IA em ecotoxicologia. O conjunto de dados, chamado “ADORE”, consiste em cerca de 26.000 pontos de dados que descrevem os efeitos de quase 2.000 produtos químicos em 140 espécies de peixes. Ele inclui também um grande conjunto de características de produtos químicos e espécies.
Como os pesquisadores explicam em seu artigo científico publicado recentemente, os modelos de aprendizado de máquina são bons em prever a toxicidade de produtos químicos. “Os desvios observados estão dentro da faixa de flutuações biológicas normais”, dizem os dois autores principais da publicação, Lilian Gasser, cientista de dados no SDSC, e Christoph Schür, pesquisador de pós-doutorado na Eawag. Os pesquisadores, portanto, consideram os métodos investigados como “promissores para a previsão da mortalidade aguda de peixes”. E esses métodos poderiam ser usados para outros grupos de espécies, desde que dados disponíveis semelhantes.
“No entanto, ainda há limitações que precisam ser levadas em conta”, os pesquisadores afirmam autocriticamente. Embora os algoritmos forneçam previsões úteis em média, eles ainda estão substancialmente errados em alguns casos para espécies de peixes individuais. Por exemplo, eles superestimam a toxicidade de um produto químico para certas espécies de peixes e a subestimam para outras espécies. “Evidentemente, os modelos são influenciados principalmente por algumas propriedades químicas e ainda não capturam adequadamente as sensibilidades específicas das espécies”, diz Gasser.
Um procedimento de teste adequado leva a resultados significativos
Em seu trabalho, Gasser e Schür levaram em conta o fato de que a maneira como os dados são divididos em um conjunto de dados de treinamento e um conjunto de dados de teste tem uma influência decisiva para a avaliação adequada dos modelos de aprendizado de máquina. “É essencial que o algoritmo seja testado apenas em produtos químicos que não estão presentes no conjunto de treinamento para mostrar que ele é capaz de identificar características químicas que são verdadeiramente preditivas de toxicidade”, comentam Gasser e Schür.
O futuro da segurança química
De acordo com Gasser e Schür e seus coautores, é improvável que modelos de aprendizado de máquina e inteligência artificial tornem os testes de toxicidade de peixes obsoletos em breve, mas eles provavelmente ajudarão a reduzi-los a longo prazo. Os pesquisadores acreditam que esses modelos fornecerão uma avaliação mais direcionada da segurança química, que no futuro incluirá outros fatores biológicos, além das propriedades físico-químicas dos produtos químicos e dados de mortalidade.
Por exemplo, as previsões do modelo poderiam ser combinadas com as avaliações de uma série de outros testes – sem animais – que estão atualmente sendo desenvolvidos e validados na Eawag usando diferentes linhagens de células de peixe. Para o desenvolvimento de um sistema de segurança química tão altamente informativo, os pesquisadores estão encorajando uma cooperação próxima com as autoridades regulatórias para que a tradução da pesquisa em prática possa ser avançada em conjunto.
Gasser, L.; Schür, C.; Perez-Cruz, F.; Schirmer, K.; Baity-Jessi, M. (2024) Previsão baseada em aprendizado de máquina da mortalidade aguda de peixes: implementação, interpretação e relevância regulatória, Ciência Ambiental: Avanços doi: 10.1039/d4va00072b , Repositório Institucional
Schür, C.; Gasser, L.; Perez-Cruz, F.; Schirmer, K.; Baity-Jesi, M. (2023) Um conjunto de dados de referência para aprendizado de máquina em ecotoxicologia, Dados científicos10(1), 718 (20 pp.), doi: 10.1038/s41597’023 -02612-2 , Repositório Institucional
Ou Schipper
