图形摘要。资料来源：《药理学研究》(2026)。DOI: 10.1016/j.phrs.2026.108159
在药物开发的早期阶段，新的活性物质需要在动物身上进行测试——同时采用多种其他实验方法。研究人员面临一个两难境地：一方面，出于伦理原因，他们希望将实验中使用的动物数量保持在最低限度；另一方面，动物实验必须包含足够数量的动物，以产生可靠且具有代表性的结果，例如确定一种新的候选药物是否产生特定效果。
法兰克福歌德大学的数据科学家兼临床药理学家约恩·勒特施教授与马尔堡菲利普斯大学的计算机科学家阿尔弗雷德·乌尔茨教授合作开发了一种名为genESOM的生成式人工智能。这两位教授均不亲自进行动物实验。genESOM基于数千个人工神经元组成的网络，能够"学习"数据集的内部结构。这使得它能够扩展现有实验数据的规模，并模拟比实际使用数量更多的实验动物。
相关研究已发表在《药理学研究》、《iScience》和《生物信息学简报》期刊上。
整合错误监控
为了训练AI，科学家们使用了此前在弗劳恩霍夫ITMP进行并已发表的小鼠研究的现有数据。研究团队实现了两项关键创新：首先，训练AI基于研究数据生成新的数据点，这些数据点能够融入已学习的数据结构中，就像它们是在真实实验中获得的一样。
第二项创新是将错误监控直接集成到生成新数据点的过程中。生成式AI方法通常不仅会放大相关信号，还会放大噪声和随机变异。这一问题被称为误差膨胀，可能导致实际上不显著的变量被错误地识别为与治疗相关（即所谓的假阳性变量）。
通过有意将学习阶段与合成阶段分离，可以在过程中引入人工误差信号并精确测量其传播。这产生了一个基于数据的停止标准，在科学有效性受损之前停止数据生成。
使用已发表研究数据进行AI训练
genESOM使用多发性硬化症模型的临床前研究数据通过了实际测试。在原始研究中，26只小鼠被分为三组治疗组，以调查一种实验性药物的效果。勒特施和乌尔茨将数据集减少到18只动物（每组6只），以模拟规模较小的实验。当他们分析这个缩减的数据集时，之前检测到的所有治疗效果完全消失：统计测试显示无显著性，机器学习方法无法区分治疗组。
使用genESOM通过额外数据点扩充缩减后的数据集后，完整实验的所有效果以原始显著性水平重新出现——且未引入相关的假阳性发现。研究人员测试的替代AI方法，包括复杂的深度学习神经网络，在这种情况下均失败。
勒特施解释道："我们现在以类似方式测试了多个数据集，可以明确地说：使用genESOM，探索性研究中使用的动物数量可以减少30%至50%，同时保持科学有效性。"
然而，这位数据科学家强调，genESOM只能从真实动物实验中获取的数据进行学习。实验室动物的数量也不能随意减少。
"如果实验中包含的动物数量过少，然后仅通过生成式AI简单补充数量，由于随机发现的放大，实验可能很快变得在科学上毫无价值。"尽管如此，勒特施确信："借助genESOM，我们可以在临床前研究的广泛领域中为减少动物实验数量做出重要贡献。"
出版详情
约恩·勒特施等人，《基于自组织神经网络的生成式AI结合内嵌误差膨胀控制增强小样本临床前研究的有效知识提取》，《药理学研究》(2026)。DOI: 10.1016/j.phrs.2026.108159
约恩·勒特施等人，《维度调制的生成式AI用于安全的生物医学数据集扩充》，《iScience》(2026)。DOI: 10.1016/j.isci.2025.114321
阿尔弗雷德·乌尔茨等人，《使用基于自组织神经网络的生成式AI方法扩充小型生物医学数据集》，《生物信息学简报》(2024)。DOI: 10.1093/bib/bbae640
关键概念
植物和动物测试、数学模拟、啮齿类动物、人工神经网络、人工智能
由法兰克福歌德大学提供
加比·克拉克，英语文学硕士，自2021年起担任编辑，具有高等教育和健康内容经验。致力于提供可信赖的科学新闻。
安德鲁·齐宁，物理学硕士，具有研究经验。长期科学新闻爱好者。在Science X的编辑成功中发挥关键作用。
【全文结束】
