July 11, 2018 by Richard Van Noorden

برنامه های کامپیوتری در بسیاری موارد سمیت مواد شیمیایی را بهتر از تستهای حیوانی پیشگویی میکنند و به جای تستهای گران قیمت که هرساله روی میلیونها حیوان انجام میشوند، میتوانند بکار روند. آزمایشهایی مانند چکاندن مواد سمی داخل چشم خرگوشها و خوراندن مواد شیمیایی به موشها و سگها.

Thomas Hartung
سم شناس دانشگاه جان هاپکینز میگوید که قابلیت پیش بینی کامپیوتر از تستهای حیوانی بیشتر و بهتر است.

Bernard van Ravenzwaay
سم شناس آلمانی میگوید که من صد در صد مطمئنم که این یک پایه و رکن در آینده سم شناسی خواهد بود گرچه ممکن است سالها طول بکشد تا دولتها نتایج کامپیوتری را به جای مطالعات حیوانی بپذیرند.

در روش
Read_cross
نرم افزار، ماده شیمیایی جدید را از نظر ساختمانی و بیولوژیک با سایر مواد مشابه مقایسه کرده و احتمال سمی بودن آن را بنابر خصوصیات ماده سمی شناخته شده، ارزیابی میکند.

بررسی های Hartung تناقص در تستهای حیوانی را آشکار کرد: تکرار یک آزمایش روی حیوان، منجر به نتایج متفاوتی میشود چون هر حیوان به شکل متفاوتی به ماده شیمیایی واکنش نشان میدهد.

نرم افزار جوابهای قابل اطمینان تری ارائه میدهد.

محقق ها و شرکتها در حال توسعه دادن به الگوریتم های machine_ learning هستند و آژانسهای ایمنی مواد شیمیایی توجه دقیقی به فعالیت آنها دارند.
در چند ماه اخیر سازمان
ICCVA(the Interagency Coordinating Committee on the Validation of Alternative Methods)
به نمایندگی از ۱۶ آژانس دولتی آمریکا، ده ها محقق آکادمیک و تجاری را به National Institutes of Health
(NIH) in Bethesda, Maryland
دعوت کرد.
تک تک تیم ها نرم افزارهای ابداعی خود را برای پیشگویی LD دوز کشنده ۴۰ هزار ماده سمی که قبلا روی موش ها تست شده بودند، به نمایش گذاشتند.
بهترین نرم افزارها را با هم ترکیب کردند و یک مدل consensus (مورد توافق همه) به دست آمد که بسیار خوب سمیت مواد را پیشگویی میکند.
بزودی
US Environmental
Protection Agency (EPA)
در نظر دارد این مدل consensus را بطور آنلاین و رایگان در اختیار قرار بدهد.

در اروپا سازمان ECHA به شرکتها توصیه کرده است که از انجام تستهای حیوانی اجتناب کرده و از روشهای Read_across و متدهای کامپیوتری استفاده کنند.
https://www.nature.com/articles/d41586-018-05664-2?utm_source=fbk_nr&utm_medium=social&utm_campaign=NNPnature&sf193629546=1