DOI: https://doi.org/10.1007/s11356-025-37354-8
PMID: https://pubmed.ncbi.nlm.nih.gov/41526782
تاريخ النشر: 2026-01-12
المؤلف: Sushmita Barua وآخرون
الموضوع الرئيسي: طرق اكتشاف الأدوية الحاسوبية
نظرة عامة
تتناول المراجعة الأهمية المتزايدة للنماذج الحسابية، وخاصة الذكاء الاصطناعي وتعلم الآلة (AI/ML)، في توقع السمية وتقييم سلامة المواد الكيميائية، مدفوعة بالحاجة إلى تقليل اختبار الحيوانات. وتؤكد على دور منهجيات متنوعة، بما في ذلك الوصف الجزيئي، ونماذج العلاقة بين الهيكل والنشاط الكمي (QSAR)، والذكاء الاصطناعي القابل للتفسير، في تعزيز تحديد وتحليل السمية الكيميائية عبر نقاط بيولوجية متعددة مثل السمية العصبية والسمية البيئية. كما تسلط الورقة الضوء على الفجوات في الأطر التنظيمية عبر ولايات قضائية مختلفة، مما يبرز ضرورة التوافق العالمي والقدرة على التكيف في اللوائح مع تطور تقنيات الذكاء الاصطناعي.
وعند النظر إلى المستقبل، من المتوقع أن يؤدي دمج نماذج AI/ML مع نهج على مستوى الأنظمة إلى تحسين الفهم الميكانيكي والأهمية البيولوجية في تقييمات السمية. تهدف ظهور الذكاء الاصطناعي القابل للتفسير إلى معالجة تحديات القابلية للتفسير المرتبطة بنماذج التعلم العميق، وهو أمر حاسم لقبول الجهات التنظيمية. وتخلص المراجعة إلى أن علم السموم الحسابي المدفوع بالذكاء الاصطناعي على وشك إحداث ثورة في تقييمات سلامة المواد الكيميائية من خلال توفير بدائل موثوقة وأخلاقية وخالية من الحيوانات للطرق التقليدية، مع التأكيد أيضًا على أهمية جودة البيانات والتعاون بين الباحثين والممارسين وصانعي السياسات للتغلب على التحديات الحالية وتعزيز القدرات التنبؤية.
مقدمة
تسلط المقدمة الضوء على التحدي المتزايد الذي تفرضه زيادة المواد الكيميائية في البيئة، والتي تؤثر بشكل كبير على صحة الإنسان وسلامته. يُعزى حوالي 25% من الوفيات العالمية إلى المواد الكيميائية الضارة، مما يستلزم توقع السمية بشكل فعال كركيزة لتقييم سلامة المواد الكيميائية. غالبًا ما يتم انتقاد طرق اختبار السمية التقليدية، المعتمدة على دراسات الحيوانات، لكونها تستغرق وقتًا طويلاً، ومكلفة، ومشكلة من الناحية الأخلاقية. استجابةً لذلك، تقوم الوكالات التنظيمية مثل إدارة الغذاء والدواء (FDA) والوكالة الأوروبية للأدوية (EMA) ومنظمة التعاون والتنمية الاقتصادية (OECD) بدمج الذكاء الاصطناعي (AI) وتعلم الآلة (ML) تدريجيًا في أطرها لتعزيز كفاءة وموثوقية تقييمات السمية، مع التأكيد على الحاجة إلى الشفافية والتحقق.
كما يناقش النص مواد ضارة محددة، مثل أزوديكاربوناميد (ADA) وبيسفينول أ (BPA)، التي تشكل مخاطر صحية كبيرة وتبرز التناقضات في المعايير التنظيمية عبر ولايات قضائية مختلفة. تساهم المبيدات، على الرغم من كونها ضرورية للإنتاج الزراعي، في مخاطر صحية خطيرة، حيث يتأثر الملايين بالتسمم الحاد سنويًا. تؤكد المقدمة على إمكانيات نماذج AI/ML في تحليل مجموعات بيانات واسعة وتوقع أشكال مختلفة من السمية، مما يوفر بدائل أخلاقية وفعالة من حيث التكلفة للاختبارات التقليدية. تهدف هذه المراجعة إلى استكشاف دمج النماذج الحسابية، والوصف الجزيئي، والذكاء الاصطناعي القابل للتفسير في توقع السمية وتقييم سلامة المواد الكيميائية، داعيةً إلى نهج متماسك يتماشى مع علم السموم التنبؤي والمعايير التنظيمية والأخلاقية.
نقاش
تؤكد قسم النقاش في الورقة البحثية على الدور الحاسم لقواعد البيانات والنماذج الحسابية في توقع السمية، مع تسليط الضوء على أهميتها في تدريب والتحقق من صحة الخوارزميات التنبؤية. توفر قواعد البيانات الشاملة مثل Tox21 وToxCast وPubChem بيانات كيميائية وبيولوجية وسمية أساسية، مما يسهل تطوير نماذج العلاقة بين الهيكل والنشاط الكمي (QSAR) وتقنيات تعلم الآلة. تعزز هذه الموارد دقة وقابلية تكرار توقعات السمية، مما يسرع اكتشاف الأدوية ويحسن تقييمات السلامة البيئية. ومع ذلك، تثار مخاوف أخلاقية بشأن شفافية البيانات، والخصوصية، والتحيز الخوارزمي، مما يبرز ضرورة وجود مجموعات بيانات عالية الجودة وغير متحيزة والالتزام بمبادئ البيانات القابلة للاكتشاف، والوصول إليها، والتشغيل البيني، وإعادة الاستخدام (FAIR) لضمان قابلية تكرار البيانات.
تستكشف القسم أيضًا نماذج حسابية متنوعة مستخدمة في توقع السمية، بما في ذلك نماذج السمية البيئية وسمية الحيوانات، التي توفر بدائل سريعة للفحص لطرق المختبر التقليدية. تستفيد هذه النماذج من الخصائص الهيكلية والفيزيائية الكيميائية لتوقع التأثيرات السامة، مما يقلل بشكل كبير من الاعتماد على اختبار الحيوانات. يتم تسليط الضوء على أدوات محددة مثل Generalized ReadAcross (GenRA) وCompTox Chemicals Dashboard لقدراتها في توقع السمية عبر الأنواع والفئات الكيميائية. بالإضافة إلى ذلك، تناقش الورقة التقدم في نماذج سمية الأعضاء، التي تستخدم تعلم الآلة لتوقع التأثيرات الضارة على أنظمة بيولوجية مختلفة، مما يعزز تقييم المخاطر والامتثال التنظيمي. بشكل عام، يمثل دمج الأساليب الحسابية في علم السموم تقدمًا كبيرًا في فهم وتخفيف المخاطر المرتبطة بالتعرض للمواد الكيميائية.
القيود
يسلط قسم القيود الضوء على عدة تحديات مرتبطة بتوقع السمية، خاصة في سياق الطرق الحسابية وAI/ML. تشمل القضايا الرئيسية الطبيعة المستهلكة للموارد لتقييمات السمية، وجودة وتوافر البيانات السمية، وانتشار مجموعات البيانات غير المتوازنة، التي يمكن أن تؤدي إلى توقعات متحيزة. تكافح العديد من النماذج الحالية للتعميم خارج مجموعات البيانات المحددة التي تم تدريبها عليها، مما يحد من قابليتها للتطبيق على مواد كيميائية جديدة. علاوة على ذلك، فإن نقص المنهجيات القياسية لتطوير النماذج والتحقق منها يعيق القابلية للمقارنة والثقة في الأداء التنبؤي.
بالإضافة إلى ذلك، يؤكد القسم على الحاجة إلى تحسين دمج مصادر البيانات المتنوعة وأهمية أدوات الذكاء الاصطناعي القابلة للتفسير لتعزيز الشفافية والقابلية للتفسير. تتطور الأطر التنظيمية، مثل تنظيم REACH في الاتحاد الأوروبي وإرشادات وطنية مختلفة، لمعالجة هذه التحديات، ومع ذلك لا تزال هناك اختلافات كبيرة عبر الولايات القضائية. تتطلب التطورات السريعة في تقنيات الذكاء الاصطناعي مناقشات مستمرة لتحقيق توافق تنظيمي عالمي، مما يضمن أن الأطر يمكن أن تتكيف مع الطبيعة الديناميكية للذكاء الاصطناعي في توقع السمية.
DOI: https://doi.org/10.1007/s11356-025-37354-8
PMID: https://pubmed.ncbi.nlm.nih.gov/41526782
Publication Date: 2026-01-12
Author(s): Sushmita Barua et al.
Primary Topic: Computational Drug Discovery Methods
Overview
The review discusses the growing importance of computational models, particularly AI and machine learning (AI/ML), in toxicity prediction and chemical safety evaluation, driven by the need to reduce animal testing. It emphasizes the role of various methodologies, including Molecular Descriptors, Quantitative Structure-Activity Relationship (QSAR) models, and Explainable AI, in enhancing the identification and analysis of chemical toxicity across multiple biological endpoints such as neurotoxicity and environmental toxicity. The paper also highlights the disparities in regulatory frameworks across different jurisdictions, underscoring the necessity for global convergence and adaptability in regulations as AI technologies evolve.
Looking ahead, the integration of AI/ML models with a systems-level approach is anticipated to improve mechanistic understanding and biological relevance in toxicity assessments. The emergence of Explainable AI aims to address the interpretability challenges associated with deep learning models, which is crucial for regulatory acceptance. The review concludes that AI-driven computational toxicology is set to revolutionize chemical safety evaluations by providing reliable, ethical, and animal-free alternatives to traditional methods, while also emphasizing the importance of data quality and collaboration among researchers, practitioners, and policymakers to overcome existing challenges and enhance predictive capabilities.
Introduction
The introduction highlights the increasing challenge posed by the proliferation of chemicals in the environment, which significantly impacts human health and safety. Approximately 25% of global mortality is attributed to harmful chemicals, necessitating effective toxicity prediction as a cornerstone of chemical safety assessment. Traditional toxicity testing methods, reliant on animal studies, are often criticized for being time-consuming, costly, and ethically problematic. In response, regulatory agencies like the FDA, EMA, and OECD are progressively incorporating artificial intelligence (AI) and machine learning (ML) into their frameworks to enhance the efficiency and reliability of toxicity evaluations, emphasizing the need for transparency and validation.
The text also discusses specific harmful substances, such as azodicarbonamide (ADA) and bisphenol A (BPA), which pose significant health risks and highlight the inconsistencies in regulatory standards across different jurisdictions. Pesticides, while essential for agricultural productivity, contribute to severe health risks, with millions affected by acute poisoning annually. The introduction underscores the potential of AI/ML models to analyze extensive datasets and predict various forms of toxicity, thereby offering ethical and cost-effective alternatives to traditional testing. This review aims to explore the integration of computational models, molecular descriptors, and explainable AI in toxicity prediction and chemical safety evaluation, advocating for a cohesive approach that aligns predictive toxicology with regulatory and ethical standards.
Discussion
The discussion section of the research paper emphasizes the critical role of databases and computational models in toxicity prediction, highlighting their importance in training and validating predictive algorithms. Comprehensive databases such as Tox21, ToxCast, and PubChem provide essential chemical, biological, and toxicological data, facilitating the development of Quantitative Structure-Activity Relationship (QSAR) models and machine learning techniques. These resources enhance the accuracy and reproducibility of toxicity predictions, thereby accelerating drug discovery and improving environmental safety assessments. However, ethical concerns regarding data transparency, privacy, and algorithmic bias are raised, underscoring the necessity for high-quality, unbiased datasets and adherence to the Findable, Accessible, Interoperable, and Reusable (FAIR) principles to ensure data reproducibility.
The section further explores various computational models used in toxicity prediction, including ecotoxicity and animal toxicity models, which provide rapid screening alternatives to traditional laboratory methods. These models leverage structural and physicochemical properties to predict toxic effects, significantly reducing the reliance on animal testing. Specific tools such as the Generalized ReadAcross (GenRA) and the CompTox Chemicals Dashboard are highlighted for their capabilities in predicting toxicity across species and chemical classes. Additionally, the paper discusses advancements in organ toxicity models, which utilize machine learning to predict adverse effects on various biological systems, thereby enhancing risk assessment and regulatory compliance. Overall, the integration of computational approaches in toxicology represents a significant advancement in understanding and mitigating the risks associated with chemical exposure.
Limitations
The section on limitations highlights several challenges associated with toxicity prediction, particularly in the context of computational and AI/ML methods. Key issues include the resource-intensive nature of toxicity assessments, the quality and availability of toxicological data, and the prevalence of imbalanced datasets, which can lead to biased predictions. Many existing models struggle to generalize beyond the specific datasets on which they were trained, limiting their applicability to new chemicals. Furthermore, the lack of standardized methodologies for model development and validation hampers comparability and confidence in predictive performance.
Additionally, the section emphasizes the need for improved integration of diverse data sources and the importance of explainable AI tools to enhance transparency and interpretability. Regulatory frameworks, such as the EU REACH Regulation and various national guidelines, are evolving to address these challenges, yet significant discrepancies remain across jurisdictions. The rapid advancement of AI technologies necessitates ongoing discussions to achieve global regulatory alignment, ensuring that frameworks can adapt to the dynamic nature of AI in toxicity prediction.