De acordo com pt.wedoany.com-Pesquisadores da Universidade Texas A&M, nos Estados Unidos, desenvolveram recentemente um sistema de inteligência artificial capaz de prever a toxicidade de produtos químicos e, ao mesmo tempo, estimar a confiabilidade de cada previsão. O estudo foi conduzido por uma equipe da Faculdade de Medicina Veterinária e Ciências Biomédicas da Texas A&M (Texas A&M College of Veterinary Medicine and Biomedical Sciences) e os resultados foram publicados na revista Nature Communications.
A pesquisa foi liderada pelo Dr. Weihsueh Chiu, professor do Departamento de Fisiologia e Farmacologia Veterinária da Texas A&M (Texas A&M Department of Veterinary Physiology and Pharmacology). O objetivo do estudo é enfrentar um desafio de longa data no campo da toxicologia: a falta de dados abrangentes de segurança para a grande quantidade de produtos químicos utilizados comercialmente. As avaliações tradicionais de segurança química dependem de estudos em animais ou de estudos epidemiológicos humanos de longo prazo, ambos exigindo muito tempo e recursos, o que resulta em pesquisas insuficientes para muitos produtos químicos.
Para resolver esse problema, os pesquisadores desenvolveram modelos de aprendizado de máquina conhecidos como modelos de relação quantitativa estrutura-atividade. Esses modelos utilizam a estrutura química para estimar níveis seguros de exposição. A equipe de Chiu também aumentou a transparência dos modelos ao projetá-los com base em propriedades químicas familiares, como solubilidade em água, biodegradabilidade e indicadores de toxicidade, em vez de depender apenas de descritores moleculares abstratos. O avanço mais recente integrou funcionalidades de aprendizado de máquina com consciência de incerteza, permitindo que o modelo estime o nível de confiança de cada previsão, que depende da quantidade e qualidade dos dados de produtos químicos similares disponíveis. Segundo Chiu, compreender a incerteza é crucial, pois produtos químicos com níveis de toxicidade previstos semelhantes podem apresentar riscos diferentes se uma previsão for baseada em dados de suporte limitados. Esses modelos geram uma série de resultados possíveis, ajudando os pesquisadores a identificar produtos químicos que necessitam de estudos adicionais ou revisão por especialistas.
Ao ser aplicado a mais de 126 mil produtos químicos, o modelo identificou padrões de toxicidade e incerteza. Os pesquisadores descobriram que metais, compostos policlorados e substâncias perfluoroalquiladas e polifluoroalquiladas (PFAS) frequentemente apresentam altos níveis de incerteza devido a dados limitados ou comportamento químico complexo. Os pesquisadores da Texas A&M acreditam que essas descobertas podem ajudar a direcionar futuros esforços de teste para áreas com conhecimento científico limitado. O método apoia um processo de avaliação em camadas, no qual a inteligência artificial realiza uma triagem inicial de produtos químicos em larga escala, e especialistas se concentram nas substâncias que apresentam maior risco ou maior incerteza.
Este texto foi elaborado por Wedoany. Qualquer citação por IA deve indicar a fonte “Wedoany”. Em caso de infração ou outros problemas, informe-nos prontamente, por favor. O conteúdo será corrigido ou removido. E-mail: news@wedoany.com
