KI kann schädliche chemische Belastungen vorhersagen, die sich auf die menschliche Gesundheit auswirken

Künstliche Intelligenz verbessert rasch die Fähigkeit von Wissenschaftlern, Chemikalien in der Umwelt und im menschlichen Körper zu erkennen. In einem neuen Perspektivartikel wird argumentiert, dass der nächste große Schritt nicht einfach darin besteht, mehr Chemikalien zu identifizieren, sondern zu bestimmen, welche Expositionen am wahrscheinlichsten biologische Systeme stören und zur Krankheit beitragen.

Veröffentlicht in Künstliche Intelligenz und UmweltIn dem Artikel wird eine Verlagerung hin zur funktionellen chemischen Exposomik beschrieben, einem neuen Ansatz, der hochauflösende Massenspektrometrie, künstliche Intelligenz, toxikologische Datenbanken und biologische Reaktionsdaten kombiniert.

Exposomics untersucht die Gesamtheit der Umweltexpositionen, denen ein Mensch im Laufe seines Lebens ausgesetzt ist. Moderne Analysegeräte können Tausende chemischer Signale in Blut, Urin, Geweben und Umweltproben erkennen. Viele nachgewiesene Verbindungen sind jedoch noch nicht identifiziert, während die biologische Bedeutung anderer kaum verstanden wird.

In der Zukunft der Exposomik geht es nicht nur darum, herauszufinden, welche Chemikalien vorhanden sind, sondern auch darum, vorherzusagen, welche Wirkung diese Chemikalien in biologischen Systemen haben könnten. KI kann Forschern helfen, begrenzte experimentelle Ressourcen auf die Expositionen zu konzentrieren, die für die menschliche Gesundheit am relevantesten sind.“

Hemi Luan, korrespondierender Autor, Guangdong University of Technology

Die Autoren schlagen vor, KI von einer chemischen „Entdeckungsmaschine“ in eine funktionale Vorhersagemaschine umzuwandeln. Solche Systeme könnten chemische Strukturen, Toxizitätsvorhersagen, molekulare Wechselwirkungen und Veränderungen in Genen, Proteinen und Metaboliten integrieren. Jede Chemikalie könnte dann eine Risikobewertung für die biologische Aktivität erhalten, was Forschern dabei hilft, Kandidaten für Labortests und Gesundheitsrisikobewertungen zu priorisieren.

Das Framework umfasst auch maschinelle Lernansätze für kausale Schlussfolgerungen, die dabei helfen können, sinnvolle Expositionseffekte von einfachen statistischen Korrelationen zu unterscheiden.

Es bleiben wichtige Herausforderungen bestehen, darunter begrenzte qualitativ hochwertige Trainingsdaten, chemische Gemische, unbekannte Störfaktoren und der Bedarf an transparenten, interpretierbaren Modellen. Auch die experimentelle Validierung anhand von Zellen, Organoiden oder Tiermodellen wird weiterhin unerlässlich bleiben.

Die Autoren kommen zu dem Schluss, dass eine engere Zusammenarbeit zwischen Chemikern, Toxikologen, Epidemiologen, Bioinformatikern und Informatikern die Exposomik von einem chemischen Inventar zu einem prädiktiven und präventiven Instrument für Maßnahmen im Bereich der öffentlichen Gesundheit machen könnte.

Quellen: