In der Forschung arbeitet man schon seit mehreren Jahrzehnten an alternativen Methoden, die günstiger sind und vor allem ohne Versuchstiere auskommen. Große Hoffnungen liegen auf computerbasierten Methoden, mit denen die Auswirkungen von Chemikalien auf Fische vorhergesagt werden können.

Zur Vorhersagekraft der Modelle

Das Wasserforschungsinstitut Eawag und das Swiss Data Science Center (SDSC) haben gemeinsam einen umfassenden ökotoxikologischen Datensatz erzeugt, um ihn der Wissenschaft als Benchmark und Entwicklungsgrundlage für weitere KI-Algorithmen zur Verfügung zu stellen. Der Datensatz namens "ADORE" besteht aus rund 26 000 Datenpunkten, welche die Wirkungen von knapp 2 000 Chemikalien auf 140 Fischarten beschreiben. Er enthält zudem eine große Zahl an Merkmalen sowohl der Chemikalien als auch der Arten.

Wie die Forschenden in einem veröffentlichten Fachartikel darlegen, schaffen es die Machine-Learning-Modelle die Giftigkeit von Chemikalien gut vorherzusagen. "Die festgestellten Abweichungen liegen im Bereich der normalen biologischen Schwankungen", so Lilian Gasser, Datenwissenschaftlerin beim SDSC, und Christoph Schür, Postdoktorand an der Eawag. Die Forschenden stufen die untersuchten Methoden deshalb als "vielversprechend für die Vorhersage von akuter Fischsterblichkeit" ein. Des Weiteren könnten diese Methoden auch anhand passender Daten auf andere Spezies-Gruppen angewendet werden.

"Allerdings gibt es noch Einschränkungen, die es zu beachten gilt", halten die Forschenden selbstkritisch fest. Denn obwohl die Algorithmen im Durchschnitt brauchbare Vorhersagen liefern, liegen sie bei den einzelnen Fischarten teilweise noch deutlich daneben. So schätzen sie etwa die Giftigkeit einer Chemikalie für bestimmte Fischarten zu hoch und für andere Arten zu niedrig ein. "Offenbar werden die Modelle hauptsächlich von einigen wenigen chemischen Eigenschaften beeinflusst und erfassen artspezifische Empfindlichkeiten noch nicht ausreichend", sagt Gasser.

Trainings- und Testdaten entscheidend

Bei ihren Arbeiten haben Gasser und Schür die Tatsache berücksichtigt, dass die Art und Weise, wie man die Daten in einen Trainings- und einen Testdatensatz aufteilt, einen entscheidenden Einfluss auf die Anwendbarkeit der Machine-Learning-Modelle hat. "Es ist zwingend nötig, den Algorithmus nur an Chemikalien zu testen, die nicht im Trainingsdatensatz vorhanden sind, um nachzuweisen, dass er in der Lage ist, chemische Merkmale zu identifizieren, tatsächlich die Toxizität vorhersagen", sind sich Gasser und Schür einig.

Ausblick

Laut dem Forschungsteam sei es unwahrscheinlich, dass Machine-Learning-Modelle und künstliche Intelligenz Fischtoxizitätstests in naher Zukunft überflüssig machen, aber sie dürften langfristig zu deren Reduktion beitragen. Den Forschenden schwebt eine gezieltere Bewertung der Chemikaliensicherheit vor, die in Zukunft neben den physikochemischen Eigenschaften der Chemikalien und den Angaben zur Sterblichkeit auch weitere biologische Faktoren miteinbezieht.

So könnten die Modellvorhersagen etwa mit den Auswertungen einer Reihe anderer – tierversuchsfreier – Tests kombiniert werden, die zurzeit an der Eawag mit unterschiedlichen Fischzell-Linien entwickelt und validiert werden. Für die Entwicklung eines solchen Chemikaliensicherheitssystems mit hoher Aussagekraft regen die Forschenden eine enge Zusammenarbeit mit den Regulierungsbehörden an, damit die Umsetzung von der Forschung in die Praxis gemeinsam vorangebracht werden kann.

Publikationen:
Lilian Gasser, Christoph Schür, Fernando Perez-Cruz, Kristin Schirmer and Marco Baity-Jesi (2024): Machine learning-based prediction of fish acute mortality: implementation, interpretation, and regulatory relevance, Environmental Science: Advances, 3(8), 1124-1138, https://doi.org/10.1039/D4VA00072B

Schür, C., Gasser, L., Perez-Cruz, F. et al. A benchmark dataset for machine learning in ecotoxicology. Sci Data 10, 718 (2023). https://doi.org/10.1038/s41597-023-02612-2

Quelle: Eawag