Ученые Гёте-университета во Франкфурте совместно с коллегами из Марбургского университета разработали нейросеть genESOM, которая дополняет данные реальных экспериментов виртуальными наблюдениями — статистически похожими на результаты, полученные на живых животных. По расчетам авторов, такая система может сократить число подопытных животных в доклинических исследованиях на 30–50% без потери научной достоверности.
Исследователи пытаются решить типичную дилемму ранних стадий разработки лекарств. С одной стороны, этические нормы требуют использовать как можно меньше животных, с другой — слишком маленькая выборка делает результаты статистически ненадежными. genESOM обучается на реальном наборе данных, а затем генерирует дополнительные точки, которые воспроизводят закономерности настоящего эксперимента.
Ключевое техническое решение genESOM — встроенный контроль ошибок. У многих генеративных методов есть проблема «инфляции ошибок»: вместе с полезным сигналом они могут усиливать случайный шум. Из-за этого незначимые переменные иногда начинают выглядеть терапевтически важными. Разработчики genESOM разделили обучение и генерацию данных, чтобы отслеживать, как накапливается ошибка, и останавливать синтез до того, как результаты потеряют научную достоверность.
Практическую проверку система прошла на данных доклинического исследования модели рассеянного склероза. В исходной выборке было 26 мышей, разделенных на три группы. Затем исследователи сократили ее до 18 животных — по 6 на группу. На такой усеченной выборке ранее выявленные терапевтические эффекты исчезли: статистические тесты не показали значимости, а методы машинного обучения не смогли различить группы. После дополнения данных с помощью genESOM эффекты восстановились на исходном уровне значимости, при этом значимых ложноположительных результатов не появилось. Альтернативные методы, включая сложные нейросети глубокого обучения, с задачей не справились.
Разработчики подчеркивают принципиальное ограничение системы: genESOM может учиться только на данных реальных экспериментов и не способна полностью заменить испытания на животных. «Если в эксперимент включить слишком мало животных и затем просто дополнить выборку с помощью генеративного ИИ, эксперимент быстро утратит научную ценность из-за усиления случайных находок», — предупреждает профессор Йорн Лечш. Поэтому технологию рассматривают как инструмент оптимизации дизайна эксперимента, а не как способ полностью отказаться от него.
По оценке авторов, наибольший потенциал метод имеет на поисковых этапах — ранних и разведочных стадиях исследований. Именно там проводится больше всего опытов с животными, а требования к размеру выборки регулируются менее жестко.
Подпишитесь на «Инк» в Telegram. Там мы пишем нескучным языком о самом важном для предпринимателей. Подписаться.