丽塔·特里布斯科恩和海因茨·科勒正在使用基于人工智能的BCFpro程序进行研究,该程序理论上可确定与鱼类中化学物质相关的生物富集因子。
图宾根大学的研究人员发现,当前用于评估鱼类体内化学物质生物富集的方法存在一个重大缺陷,表明生物富集因子随测试浓度而变化,而非先前认为的固定物质特异性值。这一发现对欧盟用于许多化学物质的监管数据提出了质疑。为此,该团队开发了一款基于人工智能的工具BCFpro,该工具能够高精度预测生物富集并识别最坏情况。该工具免费提供,有望实现更可靠的风险评估、改善环境安全,并显著减少动物试验。
由图宾根大学领导的一个研究团队揭示了当前评估鱼类体内化学物质生物富集方式的一个根本性缺陷,这对欧洲监管决策中使用的海量数据提出了质疑。这个跨学科小组表明,生物富集因子——这一全球用于评估化学物质是否在水生生物体内累积的关键指标——并非如先前假设的那样是单个物质的固定值。相反,它会根据测试期间使用的浓度而变化。为了解决这个问题,该团队开发了一款新的基于人工智能的工具,能够对生物富集进行更可靠的评估,并免费提供给科学界使用。
生物富集因子比较了鱼类体内与周围水中的化学物质浓度,在环境风险评估(包括欧盟化学品许可程序)中发挥着核心作用。通过分析数千项已发表的研究,研究团队证明,水中较高的测试浓度通常会导致测得的BCF值较低,而较低的测试浓度则往往产生较高的BCF值。这种系统性偏差此前在化学品危害分类法规中未被识别或考虑,尽管其对环境和人类健康具有重大影响。研究结果表明,目前认为能在鱼类体内富集的化学物质中,超过一半的生物富集数据可能不可靠。由于生物富集的物质可以沿食物链向上移动并最终影响人类,不准确的分类带来了长期风险,这些风险可能多年后才会显现。研究人员能够从数学和生理学角度证明这种浓度依赖性效应,突显了监管实践与生物现实之间的关键差距。
基于这些见解,该团队应用深度学习技术开发了一个基于人工智能的程序,能够以约90%的确定性预测生物富集因子。该工具名为BCFpro,使用人工神经网络处理复杂数据集,并识别传统方法忽略的模式。除了预测实验结果外,BCFpro还可以模拟最坏情况,识别化学物质最有可能在危险水平下发生生物富集的条件。在与现有监管分类进行基准比较时,新工具确认了约90%的案例中已被识别为具有生物富集性的物质的既定结果。然而,对于目前被归类为非生物富集性的化学物质,它揭示了一个更令人担忧的情况:在环境相关条件下,超过60%的此类物质本应被标记为具有生物富集性。根据研究人员的说法,这种差异的出现是因为之前的测试条件选择方式往往低估了最坏情况下的累积。
通过免费提供BCFpro,由图宾根大学领导的团队旨在提高全球化学品风险评估的准确性和一致性。除了加强环境保护外,这种基于人工智能的方法还通过计算方法可靠地预测生物富集,为减少动物试验提供了巨大潜力。研究人员强调,他们的工作不仅挑战了生态毒理学中长期存在的假设,而且有助于实现更安全的环境实践和改善动物福利。