动物实验是推动生物医学发展的重要因素。早在公元前 4 世纪，古希腊哲学家亚里士多德就曾使用动物来揭示哺乳动物的重要内部特征。
公元前 2 世纪的古罗马解剖学家埃利与斯·盖伦更是通过对猪、山羊、猴子和猿类等活体动物实验，对脊髓、心脏等器官的作用进行了考察，并意识到猴子和猿类的身体结构与人相似，因而把在动物实验中获得的知识应用到人体中，推动了医学的发展。
图丨克劳狄乌斯·盖伦（来源：Wikipedia）
如果没有动物试验，或许医学界的许多成就将很难实现，例如疫苗、抗生素、治疗糖尿病的胰岛素等药物的研发。
但在这些成果的背后，也是无数动物付出的惨痛代价。仅在美国，每年就有几十万只动物被用于动物实验，如果再加上那些《动物福利法》保护范围之外的小鼠、鱼等动物，这一数字甚至可能达到 1200 万到 2400 万。
图丨1973 年-2019 年美国每年用于活体实验的动物数量（来源：Speaking of Research）
而它们当中的很多一部分，可能得不到任何麻醉、止痛等保护措施，也有很多动物因实验而失去生命。
所以，动物实验越来越受到伦理争议。
而且，动物模型在模拟特定药物在人体中的作用时的准确性也并不那么可靠，某些药物在动物模型上可能表现良好，但在临床试验中却会失败。
研究表明，基于动物模型的毒性预测结果在推移至人体时，啮齿类动物和非啮齿类动物分别只有 43% 和 63% 的吻合率，而在预测药物在靶器官中的不良反应(ADR) 时，吻合率不到 30%。
图丨相关文章（来源：Small）
因此，寻找动物实验的替代方案，成为了学界亟需解决的问题。
此前，美国政府就出台了《FDA 现代化法案 2.0》，取消了在研药物在用于人体试验参与者之前必须进行动物测试的要求，而人工智能则成为了动物试验的替代品。
图丨相关文章（来源：National Library of Medicine）
挖掘已有数据
AI 为何能在新药物或化学品等新物质实验方面发挥作用？
其首先的一种应用方式是，用它来搜索所有现有的和可用的相关测试结果，以避免进行不必要的新测试，这听起来虽然很简单，但却也非常有效。
美国非营利组织负责任医学委员会高级研究分析员 Joseph Manuppello表示，这一点尤其有用，因为科学家很难筛选数十年的数据来找到和分析他们到底想要什么。
例如，人工智能在药物相互作用（Drug-Drug Interactions，DDIs）预测方面就已经发挥了巨大作用。
作为一种几乎不需要手动定义特征的鲁棒机器学习方法，卷积神经网络（CNN）能用从大量的 MEDLINE 摘要和人工编辑文本的 DrugBank 数据库中提取生物医学文本信息，其在预测精度方面的表现出色。
图丨相关论文（来源：Computational and MathematicalMethods in Medicine）
在新冠疫情爆发之初，BenevolentAI 的研究团队采用了一种创新的方法，他们运用机器学习方法，搜索了医学文献和已知的疾病机制，从而发掘对抗 COVID-19 的有效策略。最终锁定了一种名为巴瑞替尼的激酶抑制剂，这种药物原本是关节炎患者的常用药。
巴瑞替尼之所以脱颖而出，是因为它具有干扰内吞作用的能力，而内吞作用正是病毒侵入健康细胞的关键步骤。基于这一理论，研究团队推测，巴瑞替尼或许能成为阻止病毒入侵的有力武器。
随后，该药物在美国食品药品监督管理局（FDA）的紧急授权下，迅速进入了临床试验阶段。试验结果显示，新冠患者在接受巴瑞替尼治疗后，病情出现了轻微的好转。
图丨相关论文（来源：TheLancet）
无论如何，类似的这种案例让我们看到，跳过传统的动物实验的可能，直接从现有资源中筛选出可能的药物候选，以应对迫在眉睫的公共卫生挑战。
这种方法不仅节省了宝贵的时间，还可能开辟出一条加速药物发现的新路径，尤其是在面对像 COVID-19 这样突发且迅速蔓延的疫情时，其意义尤为重大。
通过智能分析大量数据，科学家们能够迅速定位到已有药物的潜在新用途，为疾病的治疗提供及时有效的解决方案。
目前，已经有研究团队专门开发了动物研究系统综述数据库（Sequence Retrieval System, SRS），收集了已发表的动物研究及其系统评价，可以避免重复性研究。
图丨SRS 数据库功能（来源：Regulatory Toxicology and Pharmacology）
数据库链接：http://srs.ebi.ac.uk/
预测模型
除了挖掘已有数据，研究人员也可以借助 AI 对实验进行计算模拟，提前进行评估预测，提高实验效率，同时减少在实验中所使用的动物数量。
加利福尼亚大学圣迭戈分校的 Debashis 等人利用基因表达数据库，以炎症性肠道疾病为模型，用人工智能识别和筛选出了一种针对该疾病的肠道屏障保护剂，借助AI 选择了合适的临床前小鼠模型进行靶点验证，并设计了源自患者的类器官模型。通过多变量分析确认了患者衍生类器官的潜在治疗效果。
图丨基因表达数据的数据库（来源：NatureCommunication）
或者，可以直接使用 AI 模拟动物甚至人体模型以确定其对给定化学物质的反应。
美国食品和药物管理局就开发了一种模拟大鼠临床病理学指标的生成对抗网络（GAN）模型。模型基于来自 1,317 种治疗场景的 6,442 只真实大鼠的数据进行训练，通过从传统动物研究结果中学习来生成合成动物数据，能够作为一种评估未经测试的化学品的有效替代方法。
图丨相关论文（来源：NatureCommunication）
AI 能彻底取代动物实验了吗？
既然 AI 在这些方面已经展现了出色的成效，那让我们回到标题中的问题：AI 能取代动物实验了吗？
答案是，还不能。
AI 在确定化学品安全性方面的表现并不完美，问题之一就在于 AI 的数据偏差现象。
例如，如果一个人工智能系统及其算法主要使用来自一个种族的健康数据进行训练，那么，它的计算或结论可能并不完全适合来自其他种族背景的人。
若忽视了数据的多样性和代表性，AI 系统的预测能力将大打折扣，甚至可能导致错误的决策，特别是在制定公共健康政策或个人医疗建议时，后果不堪设想。因此，确保训练数据的广泛性和包容性，对于提升 AI 系统在跨族群场景下的可靠性和准确性至关重要。
此外，AI 测试面临还需要获得监管部门的批准、训练数据不够全面、模拟准确度不足等等挑战。
而且，科研人员对 AI 技术的信任度和接受度也是一个不容忽视的因素，传统的动物实验方法因其长期的实践历史而被广泛认可，相比之下，AI 方法尚处于探索阶段，需要更多的时间来证明其有效性和可靠性。
因此，目前 AI 已经能够在数据挖掘、数据分析、模拟实验等方面发挥重要作用，但还不能完全取代实验动物在科学研究中的重要地位。
即便如此，它已经让我们看到了替代动物实验的另一种可能，而这种可能，值得持续关注与探索。
参考资料：
[1]. https://doi.org/10.1002/wcms.1516
[2]. https://www.bbc.com/news/articles/cd110l61r3go
本文内容不代表平台立场，不构成任何投资意见和建议，以个人官网/官方/公司公告为准。
热门跟贴