Forskare vid Chalmers och Göteborgs universitet har skapat en AI-teknik som förenklar upptäckten av giftiga kemikalier enbart genom att analysera deras molekylstruktur. Ett aktuellt exempel är ämnesgruppen PFAS, som bland annat förekommer i brandskum och många konsumentprodukter, och som återfunnits i både grund- och dricksvatten.
Kemikalier används i en mängd olika sammanhang, från vardagliga produkter till industriella processer, vilket ofta leder till negativa effekter på miljön och hälsan. Den nya metoden kan snabbt och kostnadseffektivt bedöma molekylers toxicitet med hjälp av artificiell intelligens, vilket kan öka antalet kemikalier som undersöks och minska användningen av djurförsök.
– Med vår metod går det att bedöma om ett ämne är giftigt enbart utifrån dess kemiska struktur. Vi har utvecklat och förfinat metoden genom analyser av omfattande information från laboratorietester som gjorts tidigare. Den stora mängden data gör att metoden kan användas för kemikalier som ännu inte testats, säger Mikael Gustavsson, forskare på institutionen för matematiska vetenskaper vid Chalmers, och på institutionen för biologi och miljövetenskap vid Göteborgs universitet.
– Det finns idag fler än 100 000 kemikalier på marknaden, men bara en liten andel har en klarlagd giftighet för människor och miljön. Att bedöma och testa alla sorters kemikalier med dagens system är därför inte realistiskt. Vi ser att vår metod kan vara ett nytt alternativ, säger Erik Kristiansson, professor på institutionen för matematiska vetenskaper på Chalmers och på Göteborgs universitet.
Forskarna bedömer att metoden kan bli mycket användbar inom miljöforskningen, liksom hos myndigheter och företag som använder eller utvecklar nya kemikalier.
Forskarna jämförde sin nya metod med tre befintliga beräkningsverktyg för att hitta giftiga kemikalier. Resultatet visade att deras metod är bredare och mer träffsäker än de befintliga verktygen, vilket gör den mer användbar som ett alternativ till laboratorietester.
– Den typen av AI som vi använder bygger på avancerade metoder för djupinlärning, säger Erik Kristiansson. Den blir kraftfullare ju mer data från experiment den får tillgång till, och kommer att kunna ge betydligt bättre beräkningsbaserade system för att förutsäga giftigheten hos kemikalier. Redan nu presterar vår metod väl så bra som dagens verktyg.
Bedömningen är att AI-system därmed kommer att kunna ersätta laboratorietester allt mer.
– Den nya AI-metoden bygger på transformerare, en djupinlärningsmodell ursprungligen utformad för språkbehandling, såsom används i ChatGPT. Transformerare har nyligen visat sig vara effektiva för att extrahera information från kemiska strukturer och identifiera egenskaper som bidrar till giftighet på en mer sofistikerad nivå än tidigare metoder.
Den nya AI-metoden
Metoden baseras på så kallade transformerare, en AI-modell för djupinlärning som från början utvecklades för språkbehandling. Transformerare används exempelvis i Chat GPT.
Modellen har nyligen visat sig vara mycket effektiv även för att utvinna information från kemiska strukturer. Transformatorer kan identifiera egenskaper hos molekylers struktur som orsakar giftighet, på ett mer sofistikerat sätt än vad som varit möjligt tidigare.
Med hjälp av denna information kan molekylens toxicitet sedan förutsägas av ett så kallat djupt neuralt nätverk. Neurala nätverk och transformatorer tillhör den typ av AI som förbättrar sig själv kontinuerligt genom att använda träningsdata – i det här fallet stora mängder data från tidigare laboratorietester av tusentals olika kemikaliers effekter på olika djur och växter.
Källa: Chalmers