一个生成的对抗性网络模型替代动物研究,用于临床病理学评估
Xi Chen1, Ruth Roberts2,3, Zhichao Liu4,5
1National Center for Toxicological Research, Food and Drug Administration, Jefferson, AR, 72079, USA.
Nature communications
|November 6, 2023
概括
生成对抗网络 (GAN) 可以创建用于药物安全测试的合成动物数据. 动物GAN证明了强大的肝毒性评估,支持研究中使用动物的替代,减少和改进.
科学领域:
- 毒理学 毒理学 毒理学
- 人工智能的人工智能
- 计算生物学 计算生物学
背景情况:
- 动物研究对于化学品和药物安全性评估至关重要.
- 生成对抗网络 (GAN) 提供了生成合成动物数据的潜力.
- 开发动物试验的替代品符合3Rs原则 (取代,减少,改进).
研究的目的:
- 引入AnimalGAN,一种基于GAN的方法,用于模拟大鼠临床病理学数据.
- 评估AnimalGAN在评估化学和药物肝毒性方面的有效性.
- 探索AnimalGAN对临床前安全评估中的3Rs的贡献.
主要方法:
- 开发AnimalGAN,这是一个基于传统动物研究结果进行训练的GAN模型.
- 使用AnimalGAN对38只老鼠临床病理学测量的模拟.
- 对AnimalGAN的肝毒性评估与真实动物数据和传统方法进行比较分析.
- 虚拟实验涉及10万只模拟老鼠,以对药物肝毒性进行排名.
主要成果:
- 动物GAN在不同化学结构,类别和FDA批准年限的药物中表现出强度.
- 使用AnimalGAN进行肝毒性评估,结果与真实动物数据相比.
- 动物GAN的表现优于12种传统的定量结构-活性关系 (QSAR) 方法.
- 一个虚拟实验准确地预测了类似药物的人类肝毒性趋势.
结论:
- 动物GAN是评估未经测试的化学品和药物的可行替代方法.
- 开发的GAN方法在推进动物使用的3R方面显著有前途.
- 像AnimalGAN这样的人工智能驱动的方法代表了减少对动物测试的依赖的重要一步.
更多相关视频
06:31Automated Gait Analysis to Assess Functional Recovery in Rodents with Peripheral Nerve or Spinal Cord Contusion Injury
Published on: October 6, 2020
6.2K
10:13Modeling Astrocytoma Pathogenesis In Vitro and In Vivo Using Cortical Astrocytes or Neural Stem Cells from Conditional, Genetically Engineered Mice
Published on: August 12, 2014
13.5K
