农用化学和制药公司开发新产品时，必须先进行广泛的潜在毒性测试才能获得监管部门的批准。该测试通常需要冗长而昂贵的动物研究。
近日，伊利诺伊大学研究人员开发了一种基因生物标志物识别技术，并发表在《Scientific Reports》，题目为：“Identification of early liver toxicity gene biomarkers using comparative supervised machine learning”。该研究确定了一种生物标志物基因特征，该特征暴露后24小时具有潜在的肝毒性。
文章发表截图 来源：《Scientific Reports》
伊利诺伊大学基因生物标志物识别技术，可将毒性测试缩短至几天，同时保持较高的准确性。
人类营养学系副教授Zeynep Madak-Erdogan说：“这项研究的目的是从肝脏中识别出最小的指标，以预测毒性和潜在的肝癌。”
她补充说，通常情况下，公司会通过长期的动物实验来做到这一点。他们跟踪动物长达一年，以了解它们是否会在暴露于这些化合物后患上肝癌。这些研究需要成千上万只小鼠或大鼠，并且需要大量的时间来照顾动物，收集样本并分析数据。
Madak-Erdogan和她的同事分析了美国国家环境卫生科学研究所维护的大型数据库中的信息。他们与美国国家超级计算机应用中心（NCSA）的科学家合作，使用机器学习方法来识别信使RNA中的基因生物标记，以预测肝毒性。
NCSA医疗创新计划办公室主任Colleen Bushell解释说：“从设计新分子到鉴定新的生物靶标，机器学习方法在加速药物靶标的鉴定和验证中起着关键作用。”
Madak-Erdogan说，尽管这项研究不是首次采用这种技术，但它是最全面的。研究人员使用了大量的数据和多种机器学习技术来确定提供最快和最准确结果的方法。
“我们正在评估最佳的预测技术并找到最佳的肝毒性指标。现在，我们无需花费数月或数年的时间，就可以对几只小鼠进行24小时的治疗，通过肝脏鉴定生物标志物，就可以预测该动物是否会发展为肝癌。”她解释说。
该研究的结果可以被毒理学家和其他科学家广泛使用，并且可以帮助农业化学和制药行业提高其检测能力。
Madak-Erdogan总结说：“我们的发现表明：机器学习方法对于分析我们在研究活动中创建的大量生物数据绝对非常有价值。生命科学与计算机科学之间的协作对于这项工作非常重要。”