مرور نظام مند بر یادگیری ماشین اخلاق محور برای پیش بینی سمیت دارویی بدون استفاده از حیوانات در مهندسی زیست پزشکی

در دهه ی اخیر، پیشرفت های چشمگیر در حوزه ی هوش مصنوعی، به ویژه در یادگیری ماشین، مسیر جدیدی را برای ارزیابی سمیت دارویی و زیست محیطی گشوده است؛ مسیری که می تواند جایگزینی موثر، دقیق و اخلاق محور برای آزمون های حیوانی باشد. آزمایش های حیوانی همواره با چالش هایی چون هزینه ی بالا، ناهماهنگی با فیزیولوژی انسانی، و دغدغه های اخلاقی گسترده همراه بوده اند. در پاسخ به این چالش ها، رویکردهای نوینی مانند مدل های in silico، organ-on-chip، وdigital twin در کنار مدل های یادگیری عمیق ظهور کرده اند که امکان تحلیل داده های چندبعدی زیست پزشکی را بدون اتکا به آزمون های حیوانی فراهم می کنند.در این مقاله، با مرور پژوهش های اخیر (۲۰۲۲–۲۰۲۵) در زمینه ی مدل های یادگیری ماشین برای پیش بینی سمیت غیرحیوانی، چارچوب های اخلاقی، استانداردهای مقرراتی، محدودیت های داده ای و مسیرهای توسعه ی آینده بررسی می شوند. تمرکز مقاله بر تحلیل سه محور اصلی است: (۱) مدل های یادگیری پیش بینی مانند QSAR، CNN و Fusion Models؛ (۲) ادغام داده های چندوجهی شامل داده های مولکولی، امیکس و تصویربرداری سلولی؛ و (۳) ایجاد چارچوب های اخلاقی برای تبیین پذیری و پذیرش مقرراتی مدل ها.نتایج مرور نشان می دهد که ترکیب روش های یادگیری ماشین با اصول اخلاق زیستی می تواند به طراحی سامانه های تصمیم یار هوشمند منجر شود که از شفافیت، قابلیت اعتماد و دقت بالاتری برخوردارند. همچنین مشخص شد که توسعه ی مدل های تبیین پذیر و استانداردسازی پایگاه های داده ی سمیت، نقش کلیدی در جایگزینی تدریجی آزمون های حیوانی ایفا خواهند کرد. در نهایت، پیشنهاد می شود که پژوهش های آتی با تمرکز بر یادگیری ماشین اخلاق محور، یادگیری فدرال و ادغام مدل های دیجیتال و زیستی، مسیر تحقق کامل ارزیابی سمیت بدون حیوانات را هموار سازند.

کلیدواژه ها:

اخلاق زیستی ، ارزیابی سمیت ، یادگیری ماشین ، یادگیری عمیق ، مدل های غیرحیوانی