689
Уявіть, що можна перевірити, наскільки небезпечна нова хімічна речовина для рідкісної риби, майже не торкаючись самої риби. Саме таку можливість описує нове дослідження в журналі New Contaminants, про яке розповідає видання Scienmag: замість десятків лабораторних дослідів вчені навчили алгоритм машинного навчання «уявляти», як хімікат подіє на живий організм.
Що відомо коротко
- Об’єктом дослідження стала рідкісна рибка Gobiocypris rarus з басейну Янцзи, яка вважається рідкісною та зникаючою.
- Замість нових біотестів команда створила ML-QSAR модель, що передбачає токсичність за структурою хімікату та біологією виду.
- Було згенеровано понад 1800 молекулярних дескрипторів, а також враховано стадію розвитку риби: ембріони, молодь, дорослі.
- Найкраще спрацював алгоритм random forest з коефіцієнтом детермінації 0,99 для гострої та 0,93 для хронічної токсичності.
- Модель оцінила ризики для 73 забруднювачів, зокрема PFAS, і показала нині низький негайний ризик, але потребу в довгостроковому моніторингу.
Як комп’ютер «бачить» отруйність хімікатів
Зазвичай, щоб дізнатися, наскільки небезпечна речовина, її додають у воду з рибами й спостерігають наслідки. Для рідкісних видів це майже як тестувати ліки на останніх представниках виду — етично й практично неприйнятно.
У новій роботі вчені пішли іншим шляхом: вони побудували модель кількісного співвідношення «структура–активність» (QSAR), посилену машинним навчанням. Можна уявити це як «Google Перекладач» для хімії: замість перекладу мов модель «перекладає» будову молекули у прогноз її токсичності для конкретної риби.
Для цього дослідники зібрали наявні дані про гостру та хронічну токсичність різних речовин для Gobiocypris rarus. Потім для кожної молекули вони обчислили понад 1800 дескрипторів — числових характеристик, що описують фізико-хімічні та структурні властивості: електронну поведінку, полярність, особливості, важливі для взаємодії з біомолекулами.
До цього «хімічного відбитка пальця» додали ще один вимір — стадію розвитку риби: ембріон, ювенільна (молода) чи доросла особина. Біологія організму змінюється з віком, і модель мала це «розуміти».
Чому вік риби різко змінює картину токсичності
Одне з найцікавіших відкриттів стосується того, що гостра (короткочасна) і хронічна (довготривала) токсичність керуються різними факторами. Для короткочасних ефектів стадія життя виявилася надзвичайно важливою.
Ембріони та молоді риби мають ще не сформовані системи обміну речовин і детоксикації. Це схоже на різницю між дитячим і дорослим організмом людини: одна й та сама доза речовини може бути значно небезпечнішою для немовляти, ніж для дорослого. Модель показала, що саме вік сильно впливає на те, як риба реагує на короткочасний контакт з отруйною сполукою.
Водночас чутливість змінюється залежно від класу хімікатів. Для деяких сполук, подібних до PFAS, дорослі риби можуть довше утримувати їх у тілі через сильніше зв’язування з білками. Тобто «найвразливішим» не завжди є найменший організм — іноді доросла риба стає довготривалим «резервуаром» для забруднювачів.
Для хронічної токсичності модель більше покладалася на дескриптори молекулярних взаємодій. Вони описують, як речовина рухається, накопичується й зв’язується з мішенями в організмі: враховуються такі властивості, як потенціал іонізації, поляризовність, просторове розташування атомів.
Як працювала модель та що вона показала
Щоб знайти найкращий підхід, дослідники порівняли шість алгоритмів машинного навчання, серед яких були random forest, метод опорних векторів, нейронні мережі та узагальнені лінійні моделі. Найкращі результати показав саме random forest.
Для гострої токсичності модель досягла коефіцієнта детермінації 0,99, а для хронічної — 0,93. Це означає, що зв’язок між структурою молекули та її ефектом на рибу описується дуже точно, навіть за обмеженої кількості реальних експериментів.
Після навчання модель застосували до 73 забруднювачів, які вже виявляли в середовищі існування Gobiocypris rarus. Серед них було багато пер- та поліфторалкільних речовин (PFAS) — стійких хімікатів, які майже не розкладаються в природі.
Для 12 сполук PFAS, щодо яких були відомі концентрації в навколишньому середовищі, дослідники розрахували коефіцієнти ризику. Вони виявилися значно нижчими за 1, що вказує на низький негайний екологічний ризик за поточних рівнів забруднення.
Однак автори наголошують: низький коефіцієнт ризику зараз не означає, що ці речовини «безпечні». PFAS дуже стійкі, можуть накопичуватися в харчових ланцюгах і зростати в концентрації через промислові зміни, сезонні коливання чи заміну одних сполук іншими.
Що це означає для охорони рідкісних видів
Запропонована ML-QSAR стратегія — це свого роду «система раннього попередження» для рідкісних видів. Вона дозволяє поєднати хімічні «відбитки пальців» речовин, дані про розвиток організму та машинне навчання, щоб заздалегідь позначати потенційно небезпечні сполуки.
Такий підхід зменшує потребу в масових біотестах на рідкісних тваринах і водночас дає змогу швидко оцінювати ризики для десятків і сотень нових забруднювачів. Це особливо важливо для видів, які вже перебувають під тиском через втрату середовища існування та зміну клімату.
У майбутньому дослідники планують розширювати набори даних з токсичності, враховувати суміші хімікатів, а також покращувати точність прогнозів для металів та нових забруднювачів, що лише з’являються.
FAQ
Це вже готовий інструмент для регуляторів чи поки що науковий прототип?
Наразі йдеться радше про науковий прототип, який демонструє, що підхід ML-QSAR може працювати для рідкісних видів. Щоб його використовували регуляторні органи, потрібні подальші перевірки, розширення бази даних і узгодження методики з існуючими стандартами оцінки ризику.
Чому вчені не можуть просто продовжувати традиційні біотести?
Для рідкісних і зникаючих видів кожна особина має значення. Традиційні біотести часто потребують великої кількості тварин, що створює етичні проблеми й може додатково послабити популяцію. Моделі на основі машинного навчання дають змогу різко скоротити кількість необхідних експериментів.
Чи можна перенести цей підхід на інші види, не лише на Gobiocypris rarus?
Концепція ML-QSAR є універсальною: якщо є достатньо даних про токсичність і біологію іншого виду, можна побудувати подібну модель і для нього. Автори розглядають свою роботу як «шаблон», який можна масштабувати на інші рідкісні види.
Як ця модель враховує зміни в навколишньому середовищі з часом?
Поточна версія моделі працює з наявними даними про концентрації забруднювачів і властивості хімікатів. Щоб враховувати сезонні коливання чи промислові зміни, потрібні регулярні вимірювання в природі, які потім можна підставляти в модель для оновлення оцінок ризику.
Коли комп’ютер вчиться «відчувати» хімію замість живих істот, охорона природи отримує новий інструмент — не для заміни експериментів, а для того, щоб проводити лише ті, які справді необхідні. Це змінює сам підхід до екологічної безпеки: ми можемо передбачати загрози ще до того, як вони встигнуть завдати непоправної шкоди найвразливішим видам.
Штучний інтелект навчився оцінювати отруйність для рідкісних риб без експериментів з’явилася спочатку на Цікавості.
