آیا علم بدون آزمایش روی حیوانات می‌تواند پیشرفت کند؟

 انقلاب خاموش در علم و آزمایشگاه

پایان عصر آزمایش‌های حیوانی؟ نگاهی عمیق به “تراشه‌های ارگان” و هوش مصنوعی که آینده ارزیابی ایمنی داروها را متحول می‌کنند

یک “انقلاب خاموش” در حال دگرگون کردن بنیادهای تحقیقات زیست‌پزشکی است: جهان علم با سرعتی فزاینده در حال فاصله گرفتن از آزمایش‌های حیوانی و حرکت به سوی “روش‌های رویکرد جدید” (NAMs) است. این تغییر پارادایم که توسط نگرانی‌های اخلاقی و محدودیت‌های علمی آزمایش‌های سنتی هدایت می‌شود، با حمایت نهادهای نظارتی بزرگی مانند FDA، EPA و NIH در آمریکا و اروپا شتاب گرفته است.

در خط مقدم این تحول، فناوری‌هایی مانند “تراشه‌های ارگان” (Organ-on-a-chip) قرار دارند. این دستگاه‌های میکروفیزیولوژیک که توسط شرکت‌هایی مانند Emulate Inc. توسعه یافته‌اند، با استفاده از سلول‌های انسانی، عملکرد اندام‌هایی مانند کبد را در یک تراشه شبیه‌سازی می‌کنند. تراشه کبد Emulate در آزمایش‌ها دقت بسیار بالایی در پیش‌بینی سمیت دارویی نشان داده و اکنون در یک برنامه آزمایشی FDA برای جایگزینی آزمایش‌های حیوانی قرار دارد.

در کنار این تراشه‌ها، هوش مصنوعی (AI) و یادگیری ماشینی نیز نقش کلیدی ایفا می‌کنند. الگوریتم‌های پیشرفته اکنون می‌توانند با تحلیل ساختار مولکولی یک ماده شیمیایی، سمیت آن را برای انسان با دقت بالایی (تا ۹۱٪) پیش‌بینی کنند. این روش‌ها که بر پایه داده‌های انسانی بنا شده‌اند، نه تنها اخلاقی‌تر، بلکه اغلب دقیق‌تر از مدل‌های حیوانی هستند، چرا که حدود ۹۰٪ از داروهایی که در حیوانات ایمن هستند، در کارآزمایی‌های انسانی شکست می‌خورند.

با حذف الزام قانونی آزمایش حیوانی برای داروها توسط دولت آمریکا و سرمایه‌گذاری روزافزون بر روی NAMs، آینده‌ای در حال شکل‌گیری است که در آن ارزیابی ایمنی داروها سریع‌تر، ارزان‌تر، دقیق‌تر و انسانی‌تر خواهد بود. هرچند چالش‌هایی مانند پیچیدگی بیولوژیکی و موانع فرهنگی همچنان وجود دارند، اما حرکت جهانی به سوی این فناوری‌های نوین، توقف‌ناپذیر به نظر می‌رسد.

سایبرکست قسمت 26 : آیا علم بدون آزمایش روی حیوانات پیشرفت می‌کند؟

فراتر از حیوانات آزمایشگاهی

تراشه‌های اندام، هوش مصنوعی و فناوری‌های دیگر، با حمایت دولت ترامپ، در رقابت برای جایگزینی حیوانات در آزمایش‌های دارویی و شیمیایی

مقدمه:

برای دهه‌ها، آزمایش‌های حیوانی ستون فقرات ارزیابی ایمنی داروها، غذاها و مواد شیمیایی بوده‌اند . با این حال، محدودیت‌ها، پیچیدگی‌ها و نگرانی‌های اخلاقی پیرامون استفاده از میلیون‌ها حیوان آزمایشگاهی در سال، همواره محل بحث بوده است . اما اکنون، افقی نوین با ظهور “روش‌های رویکرد جدید” (New Approach Methodologies یا NAMs) نظیر تراشه‌های ارگان (Organ-on-a-chip) و هوش مصنوعی (AI)، در حال تغییر این پارادایم است . این فناوری‌های پیشرفته نه تنها می‌توانند جایگزینی برای آزمایش‌های حیوانی باشند، بلکه نویدبخش ارزیابی‌های دقیق‌تر، سریع‌تر و کم‌هزینه‌تر برای سلامت انسان هستند.

تراشه‌های ارگان: شبیه‌سازی بدن انسان در ابعاد میکرو

تراشه‌های ارگان، از جمله پیشگامان NAMs، نوآوری‌های مهندسی بافت هستند که قابلیت شبیه‌سازی عملکرد اندام‌های انسانی را در یک پلتفرم کوچک پلاستیکی دارند . این تراشه‌ها دارای کانال‌های میکروسکوپی هستند که با لایه‌هایی از سلول‌های انسانی – مانند سلول‌های کبد، اپیتلیال و ایمنی – پوشیده شده‌اند . این سلول‌ها با مایعی شبیه به خون تغذیه شده و مواد زائد از آن‌ها خارج می‌شود، و به این ترتیب، محیطی پویا و عملکردی مشابه یک اندام واقعی را فراهم می‌آورند.

شرکت “امیولیت اینک” (Emulate Inc) مستقر در بوستون، یکی از پیشگامان این عرصه است. تراشه کبدی آن‌ها به طور خاص برای شناسایی آسیب کبدی ناشی از دارو (DILI) طراحی شده است DILI یکی از دلایل اصلی شکست حدود ۲۲ درصد از تمام کارآزمایی‌های بالینی است و اغلب در آزمایش‌های حیوانی قابل تشخیص نیست . در یک مطالعه اخیر، تراشه Emulate توانست ترکیبات شناخته‌شده‌ای که باعث DILI می‌شوند را با دقت ۸۷ درصد شناسایی کند و آن‌هایی را که DILI ایجاد نمی‌کنند، با دقت ۱۰۰ درصد تشخیص دهد. این سطح از دقت، بسیار امیدوارکننده است و این تراشه اکنون در برنامه آزمایشی سازمان غذا و داروی آمریکا (FDA) برای ارزیابی جایگزین‌های آزمایش حیوانی مورد بررسی بیشتر قرار گرفته است . اگر این تراشه نتایج خوبی از خود نشان دهد، توسعه‌دهندگان داروها می‌توانند از داده‌های آن برای اثبات ایمنی یک داروی جدید قبل از آغاز کارآزمایی‌های انسانی استفاده کنند.

این فناوری‌های مبتنی بر سلول، که در مجموع به عنوان سیستم‌های میکروفیزیولوژیک (MPS) شناخته می‌شوند، “معماری و عملکرد یک ارگان را منعکس می‌کنند” . محققان تصور می‌کنند که در آینده، تراشه‌هایی متناسب با اندام‌ها و بیماری‌های خاص توسعه یابند؛ برای مثال، یک “مغز روی تراشه” با نورون‌های گرفته‌شده از فردی مبتلا به اختلال عصبی، می‌تواند پیشرفت بیماری و تأثیر درمان‌های احتمالی را نشان دهد.

سایر روش‌های رویکرد جدید (NAMs): هوش مصنوعی و کشت سلولی سه‌بعدی

علاوه بر تراشه‌های ارگان، نسل بعدی NAMs شامل فناوری‌های پیشرفته دیگری نیز می‌شود که کارایی روش‌های جایگزین حیوانات را افزایش داده‌اند :

• الگوریتم‌های یادگیری ماشینی (Machine Learning): این الگوریتم‌ها می‌توانند بر اساس ساختار مولکولی داروها یا سایر مواد شیمیایی، چگونگی تأثیر آن‌ها بر سلامت را پیش‌بینی کنند .
• تکنیک‌های کشت سلولی سه‌بعدی (3D Cell Culture): این روش‌ها شامل “ارگانوئیدها” (organoids) هستند که گوی‌هایی از سلول‌های بنیادی هستند و می‌توانند تحریک شوند تا مدل‌های کوچک اندامی را تشکیل دهند.

مزیت کلیدی این رویکردها این است که از داده‌ها و سلول‌های انسانی استفاده می‌کنند و به همین دلیل، “جایگزین‌های بهتری برای انسان‌ها نسبت به حیوانات هستند” . بسیاری از شرکت‌های داروسازی بزرگ در حال حاضر با فناوری‌های MPS یا ابزارهای یادگیری ماشینی کار می‌کنند .

محدودیت‌های آزمایش حیوانی و انگیزه‌های نوین ریشه تمام چرایی های این تغییر

انگیزه‌های پشت این حرکت به سوی NAMs، چندوجهی و عمیق هستند:

1. نگرانی‌های رفاه حیوانات و مسائل اخلاقی: فعالان حقوق حیوانات و بخش فزاینده‌ای از جامعه عمومی، این فناوری‌ها را راهی بالقوه برای جایگزینی ده‌ها میلیون حیوان آزمایشگاهی می‌بینند که سالانه در ایالات متحده برای آزمایش ایمنی داروها، غذاها و مواد شیمیایی و تحقیقات پایه استفاده می‌شوند.
2. محدودیت‌های علمی آزمایش حیوانی:◦ عدم پیش‌بینی دقیق: حدود ۹۰ درصد از داروهایی که در آزمایش‌های پیش‌بالینی حیوانی ایمن به نظر می‌رسند، در نهایت در کارآزمایی‌های انسانی شکست می‌خورند . این شکست‌ها اغلب به دلیل عوارض جانبی پیش‌بینی نشده‌ای است که ممکن است ناشی از “عدم تطابق بین مدل‌های حیوانی و فیزیولوژی انسانی” باشد.◦ واکنش‌های متفاوت: حیوانات به خوبی واکنش‌های انسانی را پیش‌بینی نمی‌کنند، به ویژه در بیماری‌های سرطان، ایمنی و مغزی . به عنوان مثال، داروی کاندید TGN1412 که برای لوسمی و آرتریت روماتوئید در موش‌ها و میمون‌ها ایمن به نظر می‌رسید، در سال ۲۰۰۶ در انسان‌ها عوارض خودایمنی تهدیدکننده زندگی ایجاد کرد .
   ◦ پیچیدگی بیولوژیکی: هیچ NAM واحدی نمی‌تواند به طور کامل پیچیدگی زیست‌شناسی انسان و نحوه هماهنگی اندام‌ها را به تصویر بکشد. مولکول‌های دارویی کوچک (که ستون فقرات پزشکی هستند) اغلب با ۶ تا ۱۲ هدف مختلف تعامل داشته و به مواد شیمیایی کوچک‌تری تجزیه می‌شوند که با اهداف بیشتری تعامل دارند؛ این چالشی است که هوش مصنوعی هنوز نمی‌تواند به طور کامل آن را مدیریت کند .
   ◦ تکرارپذیری: حتی آزمایش‌های حیوانی خودشان نیز همیشه با دقت بالا قابل تکرار نیستند . 
3. بهره‌وری و کاهش هزینه‌ها: FDA اعلام کرده است که NAMs می‌توانند ارزیابی داروها را تسریع کرده و در نهایت، هزینه‌های تحقیق را کاهش دهند. آژانس حفاظت از محیط زیست (EPA) نیز نیاز به روش‌های بهتر و مقرون‌به‌صرفه‌تر برای ارزیابی مواد شیمیایی جدید را ذکر کرده است .

تحولات نظارتی و شتاب جهانی

از سال ۱۹۳۸، پس از مرگ بیش از ۱۰۰ نفر به دلیل یک داروی نامناسب آزمایش‌شده، FDA آزمایش تمام داروها را در حیوانات (معمولاً دو گونه مختلف) قبل از ورود به کارآزمایی‌های انسانی الزامی کرد. EPA نیز به طور تاریخی برای تعیین مضر بودن مواد شیمیایی به حیوانات تکیه کرده است . اما اکنون، تغییرات عمده‌ای در سیاست‌ها در حال وقوع است:

• دولت بایدن و FDA: در سال ۲۰۲۲، دولت جو بایدن، الزامات دیرینه FDA برای آزمایش حیوانی تمام داروها را حذف کرد
• EPA: پس از فراز و نشیب‌هایی در تلاش برای کاهش آزمایش‌های حیوانی ، در آوریل امسال، مدیر EPA، “لی زلدین”، برنامه‌های حذف تدریجی آزمایش‌های حیوانی را احیا کرد .
• FDA: در همان روز، کمیسر FDA، “مارتین ماکاری”، اعلام کرد که آژانس او نیز به سمت کنار گذاشتن مدل‌های حیوانی حرکت خواهد کرد و این اقدام را “تغییری پارادایمی در ارزیابی داروها” و “برد-برد برای سلامت عمومی و اخلاق” نامید. FDA شرکت‌ها را “تشویق” خواهد کرد تا داده‌های NAM را در درخواست‌های تأیید درمان‌های جدید در انسان‌ها ارائه دهند و در یک برنامه آزمایشی، به شرکت‌های منتخب اجازه خواهد داد که عمدتاً به NAMs برای غربالگری آنتی‌بادی‌های مونوکلونال جدید برای کارآزمایی‌های انسانی تکیه کنند.
• NIH: مؤسسه ملی بهداشت (NIH) نیز به این جنبش پیوسته و اعلام کرده است که دیگر به دنبال پیشنهادهایی برای تحقیقاتی که منحصراً در مدل‌های حیوانی انجام می‌شوند، نخواهد بود ۳ NIH سرمایه‌گذاری خود را در جایگزین‌های تحقیقات حیوانی به طور پیوسته افزایش داده است، به طوری که پروژه‌هایی که از سیستم‌های غیرحیوانی استفاده می‌کنند، از ۱.۱ درصد در سال ۲۰۰۰ به ۸ درصد از کل کمک‌های تحقیقاتی جدید و تمدید شده در سال ۲۰۲۴ رسیده‌اند . این مؤسسه دفتر جدیدی برای “نوآوری، اعتبارسنجی و کاربرد تحقیقات” ایجاد خواهد کرد تا “سرمایه‌گذاری و آموزش در رویکردهای غیرحیوانی و آگاهی از ارزش آن‌ها” را گسترش دهد.a
• حرکت جهانی: این شتاب تنها به ایالات متحده محدود نمی‌شود. اوایل سال آینده، کمیسیون اروپا قصد دارد یک نقشه راه برای حذف تدریجی آزمایش‌های حیوانی در ارزیابی‌های ایمنی شیمیایی منتشر کند و آژانس دارویی اروپا در حال بررسی پذیرش داده‌های NAM در تصمیم‌گیری‌های مربوط به کارآزمایی‌های بالینی و تأیید داروها است.

هوش مصنوعی: استاندارد جدید در سم‌شناسی؟

امیدهای زیادی به هوش مصنوعی برای تبدیل شدن به استاندارد جدید برای آزمایش سم‌شناسی وجود دارد . الگوریتم‌های هوش مصنوعی که بر اساس انتشارات علمی و داده‌های سم‌شناسی موجود آموزش دیده‌اند، می‌توانند به ساختار یک مولکول نگاه کنند، پیش‌بینی کنند که با کدام پروتئین‌ها و محصولات سلولی تعامل خواهد داشت و آیا این تعاملات برای بدن انسان سمی خواهند بود یا خیر .

آزمایشگاه “توماس هارتونگ” (Thomas Hartung) از دانشگاه جان هاپکینز، ابزار پیش‌بینی هوش مصنوعی را ایجاد کرده است که بر روی حدود ۱۰ میلیون ساختار شیمیایی شناخته‌شده و اطلاعات از پرونده‌های ارائه‌شده توسط شرکت‌ها به تنظیم‌کننده‌های ایالات متحده و اتحادیه اروپا آموزش دیده است . این الگوریتم با انجام تریلیون‌ها مقایسه، یاد گرفته است که عملکرد مواد شیمیایی جدید را در ۹ آزمایش سنتی حیوانی (مانند ارزیابی تحریک چشم و جهش‌های ژنتیکی) پیش‌بینی کند. پیش‌بینی‌های آن در ۸۷ درصد مواقع با نتایج آزمایش حیوانی مطابقت داشت . نسخه جدیدتر این ابزار، که هنوز منتشر نشده است، بر روی ۲۶۰ میلیون نقطه داده آموزش دیده و ۴۰۰۰ ویژگی مواد شیمیایی جدید را با دقت ۹۱ درصد پیش‌بینی می‌کند.

این دقت می‌تواند با داده‌های بیشتر، حتی بهبود یابد. برخی شرکت‌ها شروع به اشتراک‌گذاری داده‌های خود کرده‌اند، مانند پروژه “سگ مجازی” که یک مدل یادگیری ماشینی را برای پیش‌بینی سمیت شیمیایی برای سگ‌ها توسعه می‌دهد و از داده‌های اختصاصی شرکت‌ها برای آموزش خود استفاده می‌کند.

چالش‌ها و موانع پیش‌رو

با وجود پیشرفت‌های چشمگیر، مسیر پذیرش گسترده NAMs خالی از چالش نیست:

1. موانع علمی و فناوری:
    ◦ پیچیدگی زیست‌شناسی: “مگان لافولت” (Megan LaFollette)، مدیر اجرایی “3Rs Collaborative”، تاکید می‌کند که هیچ NAM واحدی نمی‌تواند به طور کامل پیچیدگی بیولوژیکی انسان را به تصویر بکشد و ما هنوز جایگزینی برای همه اندام‌ها، به ویژه نحوه کار هماهنگ آن‌ها، نداریم .◦ ناشناخته‌ها و کمبود داده: “سالی تامپسون-ایریتانی” (Sally Thompson-Iritani) از دانشگاه واشنگتن، اشاره می‌کند که مدل‌های هوش مصنوعی بر اساس آنچه می‌دانیم بنا شده‌اند و هنوز ناشناخته‌های زیادی وجود دارد، ازجمله شکاف‌های دانش علمی و داده‌های محرمانه شرکت‌های داروسازی درباره دلایل شکست داروهای کاندید .

   ◦ محدودیت‌های هوش مصنوعی: “تری ون فلیت” (Terry van Vleet) از AbbVie، معتقد است که مدل‌های حیوانی هنوز در آشکارسازی اثرات سلامتی ناشی از داروهای مولکولی کوچک بهتر عمل می‌کنند، چرا که این مولکول‌ها تعاملات پیچیده‌تری دارند که هوش مصنوعی هنوز نمی‌تواند آن‌ها را مدیریت کند.

2. موانع نظارتی و فرهنگی:
   ◦ ترس از عواقب ناگوار: نگرانی این وجود دارد که یک کارآزمایی بالینی اشتباه ممکن است کل جنبش NAM را به عقب براند، به ویژه اگر با تغییر زودهنگام به فناوری‌های اعتبارسنجی نشده همراه باشد . مرگ یک نوجوان در کارآزمایی ژن‌درمانی در سال ۱۹۹۹، برای دهه‌ها بر این حوزه سایه افکند و درسی تلخ از عواقب اقدامات عجولانه بود .
   ◦ تأمین مالی: تأمین مالی برای توسعه و اعتبارسنجی روش‌های جدید هنوز تضمین نشده است .
   ◦ مقاومت در برابر تغییر: دانشمندان آکادمیک که همیشه گونه‌های خاصی را مطالعه کرده‌اند، بعید است به سرعت روش‌های خود را تغییر دهند .
   ◦ الزامات بین‌المللی: برخی کشورهای آسیایی، اروپایی و آمریکای جنوبی هنوز آزمایش دارو در حیوانات را الزامی می‌دانند، که می‌تواند شرکت‌های چندملیتی را از کنار گذاشتن کامل حیوانات منصرف کند .

3. تردیدها و نگرانی‌ها: “متیو بیلی” (Matthew Bailey)، رئیس انجمن ملی تحقیقات زیست‌پزشکی، نسبت به ضرب‌الاجل‌های تعیین‌شده توسط EPA ابراز تردید می‌کند و می‌گوید همه پاسخ‌های فیزیولوژیکی را نمی‌توان با هوش مصنوعی و فناوری‌های MPS شبیه‌سازی کرد . او همچنین نگران است که دغدغه‌های حقوق حیوانات، مأموریت علمی NIH و سایر آژانس‌ها را تحت‌الشعاع قرار دهد .

چشم‌انداز آینده و راه حل‌ها

با وجود چالش‌ها، اجماع رو به رشدی در جامعه علمی وجود دارد که NAMs – یا در نهایت خواهند شد – مدل‌های بهتری برای سلامت انسان هستند. برای پیشبرد این حرکت، چند رویکرد کلیدی مطرح است:

• آموزش و تربیت: آموزش و پشتیبانی کارکنان برای آشنایی و درک روش‌های جدید، از اهمیت بالایی برخوردار است .
• ترکیب فناوری‌ها: آزمایش داروهای آینده ممکن است شامل ترکیبی از مدل‌های MPS و هوش مصنوعی باشد که هر کدام یک اندام یا یک نتیجه خاص (مانند سمیت برای مغز جنین در حال رشد) را نشان می‌دهند .
• اشتراک‌گذاری داده‌ها: با فشار جدید بر NAMs، برخی شرکت‌ها در حال شروع به اشتراک‌گذاری گنجینه‌های داده خود هستند، که برای بهبود دقت مدل‌های هوش مصنوعی حیاتی است .
• تمرکز بر مزایای علمی: “کلایو روپر” (Clive Roper)، مشاور سم‌شناسی، معتقد است که تمرکز بر تولید چیزی که از سلامت انسان حمایت می‌کند، بسیار مؤثرتر از بحث‌های اخلاقی درباره آزمایش حیوانی، محققان را به کنار گذاشتن آزمایش‌های حیوانی ترغیب خواهد کرد.

جمع‌بندی : 

گذر از آزمایش‌های حیوانی به سمت NAMs، یک تغییر پارادایمی است که توسط پیشرفت‌های علمی، نگرانی‌های اخلاقی و نیاز به ارزیابی‌های ایمنی کارآمدتر و دقیق‌تر هدایت می‌شود. در حالی که چالش‌ها و موانع قابل توجهی در این مسیر وجود دارد، حرکت به سمت تراشه‌های ارگان، هوش مصنوعی و سایر فناوری‌های نوظهور، نویدبخش آینده‌ای است که در آن، توسعه داروها و مواد شیمیایی با دقت بیشتری برای سلامت انسان بهینه شده و در عین حال، به رفاه حیوانات نیز احترام گذاشته می‌شود . این یک “بحث علمی” است که به سمت هدفی بزرگ‌تر، یعنی بهبود سلامت انسان، پیش می‌رود .

———————————————————————————

• نکات کلیدی:

• تغییر پارادایم: جهان علم در حال گذار از آزمایش‌های حیوانی به سمت “روش‌های رویکرد جدید” (NAMs) است.
• فناوری‌های کلیدی: تراشه‌های ارگان (Organ-on-a-chip) و هوش مصنوعی (AI) پیشگامان این تحول هستند.
• دقت بالاتر: تراشه‌های ارگان مانند نمونه شرکت Emulate، در پیش‌بینی سمیت دارویی برای انسان دقت بالاتری نسبت به مدل‌های حیوانی نشان داده‌اند.
• حمایت نظارتی: نهادهای بزرگی مانند FDA، EPA و NIH در آمریکا به طور فعال در حال حمایت و ترویج استفاده از NAMs هستند.
• حذف الزام قانونی: دولت آمریکا الزام دیرینه آزمایش حیوانی برای تأیید داروها را حذف کرده است.
• محدودیت‌های علمی حیوانات: حدود ۹۰٪ از داروهایی که در حیوانات ایمن تشخیص داده می‌شوند، در انسان‌ها شکست می‌خورند که نشان‌دهنده عدم دقت این مدل‌هاست.
• آینده آزمایش‌ها: ترکیبی از تراشه‌های ارگان و هوش مصنوعی، آینده ارزیابی ایمنی داروها و مواد شیمیایی را شکل خواهد داد.

• نکات تکمیلی:

• شرکت پیشگام: Emulate Inc. یکی از رهبران در زمینه فناوری تراشه‌های ارگان است و تراشه کبد آن در یک برنامه آزمایشی FDA قرار دارد.
• هوش مصنوعی در سم‌شناسی: ابزارهای هوش مصنوعی مانند نمونه آزمایشگاه توماس هارتونگ می‌توانند با دقت تا ۹۱٪ سمیت مواد را پیش‌بینی کنند.
• حرکت جهانی: این جنبش محدود به آمریکا نیست و اتحادیه اروپا نیز در حال تدوین نقشه راهی برای حذف تدریجی آزمایش‌های حیوانی است.

• نتیجه گیری:

گذار از آزمایش‌های حیوانی به سوی NAMs، یک تحول بنیادین است که توسط همگرایی پیشرفت‌های علمی، فشارهای اخلاقی و نیاز به ارزیابی‌های ایمنی دقیق‌تر و کارآمدتر هدایت می‌شود. در حالی که چالش‌های قابل توجهی در این مسیر وجود دارد، حرکت جهانی به سمت تراشه‌های ارگان، هوش مصنوعی و سایر فناوری‌های نوظهور، آینده‌ای را نوید می‌دهد که در آن توسعه داروها و مواد شیمیایی با دقت بیشتری برای سلامت انسان بهینه شده و همزمان، به رفاه حیوانات نیز احترام گذاشته می‌شود. این یک “بحث علمی” است که به سمت هدفی بزرگ‌تر، یعنی بهبود سلامت انسان و تکامل اخلاقی علم، پیش می‌رود.

• پرسش‌های تحقیقاتی بیشتر:

• چگونه می‌توان چندین سیستم “تراشه ارگان” (مثلاً کبد، کلیه و قلب) را به هم متصل کرد تا یک “انسان روی تراشه” ایجاد شود که بتواند تعاملات پیچیده و چند عضوی متابولیسم یک دارو را شبیه‌سازی کند؟

• از آنجایی که مدل‌های هوش مصنوعی بر اساس داده‌های موجود (که اغلب مبتنی بر حیوانات است) آموزش دیده‌اند، چگونه می‌توان بر “شکاف داده” برای ترکیبات شیمیایی جدید غلبه کرد و اطمینان حاصل نمود که مدل‌ها صرفاً سوگیری‌های داده‌های قدیمی را تکرار نمی‌کنند؟
• نهادهای نظارتی مانند FDA چه فرآیند اعتبارسنجی استاندارد و مشخصی را برای یک شرکت الزامی خواهند کرد تا بتواند به طور کامل یک آزمایش حیوانی را با داده‌های حاصل از یک NAM برای تأیید یک داروی جدید جایگزین کند؟

• در صورتی که NAMs بتوانند با موفقیت نرخ شکست ۹۰ درصدی داروها در کارآزمایی‌های بالینی انسانی را کاهش دهند، تأثیر اقتصادی بلندمدت آن بر صنعت داروسازی چه خواهد بود؟

• سخن پایانی نویسنده پیشنهادی :

برای دهه‌ها، تصویر یک موش آزمایشگاهی مترادف با پیشرفت علمی بود. این مقاله به ما نشان می‌دهد که این تصویر سرانجام، و به درستی، در حال تغییر است. آنچه بیش از همه قانع‌کننده است، فقط فناوری باورنکردنی یک “ارگان روی تراشه” نیست، بلکه دلیل پشت آن است: ما در حال درک این موضوع هستیم که اخلاق بهتر به معنای علم بهتر نیز هست. این واقعیت که ۹۰٪ داروها پس از موفقیت در آزمایش‌های حیوانی در انسان‌ها شکست می‌خورند، یک آمار تکان‌دهنده است که خود گویای همه چیز است. این تغییر فقط به خاطر رفاه حیوانات نیست؛ بلکه برای رساندن داروهای ایمن‌تر و مؤثرتر به مردم، با سرعتی بیشتر است. این یک سناریوی برد-برد کلاسیک است که در آن، شفقت و نبوغ ما، هر دو ما را به سوی یک آینده بهتر هدایت می‌کنند.

منبع : به گزارش  science 

 

در مجله سایبرلایف بخوانید