Entwicklung der prädiktiven Toxikologie von In-vivo- zu In-vitro- und In-silico-Systemen

Cecilia Van Cauwenberghe aus Frost & Sullivan TechCasting-Gruppelüftet den Schleier der prädiktiven Toxikologie
Entwicklung von In-vivo-Systemen über In-vitro-Systeme bis hin zu In-silico-Systemen, beginnend mit einem Blick auf Organoide und Organ-on-a-Chip-Mikrofluidikgeräte

Ein Forscherteam des Health Protection Laboratory des National Institute for Public Health and the Environment in Bilthoven, Niederlande, in Zusammenarbeit mit dem Deutschen Zentrum zum Schutz von Versuchstieren (Bf3R) des Bundesinstituts für Risikobewertung ( BfR) in Berlin, Deutschland, und das Utrecht Institute of Pharmaceutical Sciences der Universität Utrecht, Utrecht, Niederlande, betonen kritisch die Notwendigkeit mikrophysiologischer Systeme zur Unterstützung von Innovationen bei Organoiden und Organ-on-Chip-Mikrofluidikgeräten (Schneider et al., 2021 ).

Die strenge Bewertung der potenziell toxischen Wirkung bestimmter Chemikalien, einschließlich pharmazeutischer Verbindungen, auf die Gesundheit von Mensch und Umwelt bleibt schwierig, sagten die Ermittler. Die Komplexität biologischer Prozesse und die fehlende Zugänglichkeit zu In-vivo-Experimenten verschärfen diesen Aspekt. Daher haben in den letzten Jahren immer mehr Forscher wiederkehrende Modellsysteme entdeckt, die von einzelnen Zelllinien bis hin zu komplexen Tiermodellen reichen. In den letzten fünf Jahren haben mikrophysiologische Systeme, die die menschliche Physiologie im kleinen Maßstab nachahmen, große Aufmerksamkeit auf sich gezogen. Insbesondere Organoide und Organ-on-a-Chip (OoC)-Systeme haben die biomedizinische Forschung und die Umweltgesundheitswissenschaften rund um die prädiktive Toxikologie erheblich verbessert.

Computertoxikologie zur Vorhersage unerwünschter Wirkungspfade

Moderne bioanalytische Techniken können Rechenwerkzeuge für die prädiktive toxikologische Bewertung einführen. Ein Forscherteam, das in der Abteilung für Informatik des Swetha Institute of Technology and Science, JNTU, Tirupati, Indien, arbeitet, nutzt die Computertoxikologie, um auf vielen Ebenen, von molekularen Modellen bis hin zu funktionellen Eigenschaften, Ratschläge zu den nachteiligen Auswirkungen bestimmter chemischer Verbindungen zu geben komplexe biologische Systeme (Lalasa et al., 2021).

„In den letzten fünf Jahren haben mikrophysiologische Systeme, die die menschliche Physiologie im kleinen Maßstab nachahmen, viel Aufmerksamkeit auf sich gezogen. Insbesondere Organoide und Organ-on-a-Chip (OoC)-Systeme haben die biomedizinische Forschung und die Umweltgesundheitswissenschaften rund um die prädiktive Toxikologie erheblich verbessert.

Laut den Forschern verbessern diese Siliziumansätze die Risikobewertung erheblich, indem sie die Exposition eines biologischen Systems gegenüber einer chemischen Verbindung interpretieren. Tatsächlich baut die wissenschaftliche Gemeinschaft ein umfangreiches und wachsendes Angebot an digitalen Ressourcen (z. B. Web-Tools/Schnittstellen, Datensätze/Datenbanken oder mathematische Modelle) auf, um die Modellierung quantitativer unerwünschter Wirkungspfade (qAOP) für die prädiktive Toxikologie zu unterstützen, auch nach den FAIR-Prinzipien von Forschung, Zugänglichkeit, Interoperabilität und Datenwiederverwendung (Paini et al., 2022).

Techniken des maschinellen Lernens, die die Forschung in der prädiktiven Toxikologie ermöglichen

Noch einen Schritt weiter: Der Einsatz von Ansätzen künstlicher Intelligenz wie dem Deep Neural Network (DNN) und dem Conditional Generative Adversarial Network (cGAN) kann Wissenschaftlern auf außergewöhnliche Weise dabei helfen, die Toxizität von nicht getesteten Verbindungen vorherzusagen. Forscher, die am Department of Biological Sciences and Center for Bioinformatics Research der NC State University, Raleigh, North Carolina, Vereinigte Staaten von Amerika (Green et al., 2021) arbeiten, haben an der Verwendung von DNN und von cGAN zur Analyse von Hochs gearbeitet Lebensdauer von Screening-Testdaten (HTS) und Informationen zur chemischen Struktur, um toxische Ergebnisse von ungetesteten Produkten vorherzusagen
Chemikalien.

Vielen Dank

Ich möchte allen Mitwirkenden aus der Branche danken, die an der Entwicklung und Bereitstellung dieses Artikels von Frost & Sullivan beteiligt waren.

Weiterlesen

Green, AJ, Mohlenkamp, ​​​​MJ, Das, J., Chaudhari, M., Truong, L., Tanguay, RL, & Reif, DM, 2021. Leveraging High Throughput Screening Data, Deep Neural Networks and Conditional Generative Adversarial Networks für fortgeschrittene prädiktive Toxikologie. PLoS Computational Biology, 17(7), p.e1009135.

Lalasa, M., Nithya, S., Nagalakshmamma, K., Suvarnalatha, A. und Nageshwar Rao, P., 2021. In-Silico-Plattformen für die Systemtoxikologie. In Proceedings of the 2nd International Conference on Computational and Bioengineering (S. 25-31). Springer, Singapur.

Paini, A., Campia, I., Cronin, MT, Asturiol, D., Ceriani, L., Exner, TE, Gao, W., Gomes, C., Kruisselbrink, J., Martens, M. und Meek, MB, 2022. Auf dem Weg zu einem qAOP-Rahmen für die prädiktive Toxikologie – Verknüpfung von Daten mit Entscheidungen. Computational Toxicology, 21, S. 100195.

Schneider, MR, Oelgeschlaeger, M., Burgdorf, T., van Meer, P., Theunissen, P., Kienhuis, AS, Piersma, AH, and Vandebriel, RJ, 2021. Applicability of Organ Systems on a Chip in Toxicology and Pharmakologie. Critical Reviews in Toxicology, 51(6), S. 540-554.