软件预测化学品毒性超越动物实验

据相关研究人员报道，经过海量安全数据训练的机器学习软件在预测化学品毒性方面表现出色，甚至在某些情况下优于昂贵的动物试验。

约翰·霍普金斯大学的毒理学家托马斯·哈特努表示，全球每年进行数百万次的标准化安全性测试，例如将某种化合物滴入兔子眼睛以检测其刺激性，或将化学品喂食给大鼠以确定其致死剂量。如今，计算机模型有望部分取代这些测试。“大数据为我们提供了一种比动物实验更有效的预测工具。”

在7月11日发表于《毒理科学》杂志上的一篇论文中，哈特努团队报告称，他们开发的一种算法能够准确预测上万种化学品的毒性，涵盖从吸入损伤到水域生态系统损害的九类测试。

德国巴斯夫的毒理学家本纳德·范·拉文斯瓦伊指出：“这篇论文展示了大数据的新潜力。我相信大数据将成为未来毒理学的重要支柱。”但他补充道，政府监管机构完全接受计算机预测结果以取代动物测试还需要多年时间。此外，对于涉及复杂损伤评估的情况，如某种化学品是否会致癌或影响生育，动物测试依然难以被取代。

计算机预测：无毒

产业界和学术界长期以来一直利用计算机模型来预测化学品的毒性。这些模型通常包括分子的化学结构、分子在体内的潜在反应以及动物测试或体外测试的数据。公司还会使用交叉参照法来推断未经测试物质的毒性，即通过将未经测试的物质与结构或生物相似但毒性已知的化合物进行比较。

哈特努团队为了提升其机器学习软件的表现，创建了一个大型数据库，其中包含了大约1万种化学品的信息，这些信息来自约80万次动物测试。这些数据最初由赫尔辛基的欧洲化学品管理局依据2007年的REACH法规收集。该法规要求相关公司在欧盟销售的大部分化学品提供安全性信息。截至2018年5月，欧洲化学品管理局收到了超过2万种化学品的信息。

哈特努团队将这些数据转化为计算机可读形式，这一过程引发了与欧洲化学品管理局之间的法律纠纷。最终，哈特努同意不公开自己的数据库，而欧洲化学品管理局通过单独的公共文件公开了关键研究结果。

哈特努的软件采用交叉参照法，通过比较新化学品与结构相似的已知化合物，推测新化学品的毒性可能性。哈特努表示，这种软件实际上是模仿毒理学家评估新化学品的过程，只是以自动化方式进行。

通过数据库分析，哈特努发现了动物测试结果的不一致性：重复测试相同的化学品可能会产生不同的结果，因为不同动物的反应并不相同。因此，他认为在某些类型的毒性测试中，软件预测比动物测试更可靠。

论文的共同作者克雷格·罗兰兹表示：“五年前这是不可能实现的。化学品法规已经使得大量化学品的毒理数据和物理特性数据公开。”他同时也是美国安全科学公司Underwriters Laboratories的科学家，该公司正在将哈特努的软件商业化。哈特努及其他共同作者担任该公司的顾问，参与利润分成，并与其他研究人员及政府机构分享了基础数据库。

监管机构的认可

其他研究人员和公司也在开发用于预测化学品毒性的机器学习算法，但尚未发表相关研究成果。化学品安全监管机构密切关注这些进展。

美国机构间替代方法验证协调委员会代表16家美国政府机构，正在开发替代动物安全性测试的方法。4月，委员会邀请了几支来自学术界和商业界的团队在美国国立卫生研究院齐聚一堂。每个团队都使用自主研发的软件来预测4万种在大鼠身上测试过的化学品的“致死剂量”。

尼科尔·克莱因斯特鲁表示，最佳软件（包括哈特努的软件）组合起来产生的共识计算模型，其性能可与动物测试相媲美。克莱因斯特鲁负责协调这项工作，并为美国国家毒理学研究规划处开发替代动物测试的毒性测试方法。美国环保署计划在今年晚些时候在线公布这一共识模型，供免费下载。

2016年美国一项历史性法规赋予美国环保局要求化学品在上市前通过安全测试的权力，这推动了非动物测试方法的发展。6月，美国环保局公布了一项战略规划，旨在推广非动物测试方法，包括软件。

在欧盟，欧洲化学品管理局鼓励相关公司尽可能利用实验室细胞分析和交叉参照法来测试化学品毒性，以避免动物试验。

拉森贝格认为，最新论文是一个“好的开端”，但从科学角度来看，仍有很多工作需要做。他补充说：“没有人愿意进行动物试验，但目前计算机还不能完成所有毒理分析。”