L'utilisation d'animaux pour tester la toxicité des produits chimiques pourrait un jour devenir obsolète grâce à un faible coût, algorithme à grande vitesse développé par des chercheurs de Rutgers et d'autres universités.

Les tests de toxicité, qui déterminent la quantité d'exposition à un produit chimique dangereux pour l'homme, sont essentiels à la sécurité de millions de travailleurs dans diverses industries. Mais sur les 85, 000 composés utilisés dans les produits de consommation, la majorité n'a pas fait l'objet de tests complets de sécurité. Tests sur des animaux, outre ses préoccupations éthiques, peut être trop coûteux et chronophage pour répondre à ce besoin, selon l'étude publiée dans Perspectives de santé environnementale .

« Il y a une urgence, besoin mondial d'une précision, moyen rentable et rapide de tester la toxicité des produits chimiques, afin d'assurer la sécurité des personnes qui travaillent avec eux et des environnements dans lesquels ils sont utilisés, " a déclaré le chercheur principal Daniel Russo, doctorant au Rutgers University-Camden Center for Computational and Integrative Biology. "Les tests sur les animaux seuls ne peuvent pas répondre à ce besoin."

Les efforts précédents pour résoudre ce problème ont utilisé des ordinateurs pour comparer des produits chimiques non testés avec des composés structurellement similaires dont la toxicité est déjà connue. Mais ces méthodes n'ont pas été en mesure d'évaluer les produits chimiques structurellement uniques et ont été confondues par le fait que certains produits chimiques structurellement similaires ont des niveaux de toxicité très différents.

Le groupe dirigé par Rutgers a surmonté ces défis en développant un algorithme unique en son genre qui extrait automatiquement les données de PubChem, une base de données des National Institutes of Health contenant des informations sur des millions de produits chimiques. L'algorithme compare les fragments chimiques de composés testés avec ceux de composés non testés, et utilise plusieurs méthodes mathématiques pour évaluer leurs similitudes et leurs différences afin de prédire la toxicité d'un produit chimique non testé.

"L'algorithme développé par Daniel et le laboratoire Zhu exploite des quantités massives de données, et discerne les relations entre les fragments de composés de différentes classes chimiques, exponentiellement plus vite qu'un humain pourrait, " a déclaré la co-auteur Lauren Aleksunes, professeur agrégé à la Rutgers' Ernest Mario School of Pharmacy et au Rutgers Environmental and Occupational Health Sciences Institute. "Ce modèle est efficace et fournit aux entreprises et aux régulateurs un outil pour hiérarchiser les produits chimiques qui peuvent nécessiter des tests plus complets sur les animaux avant d'être utilisés dans le commerce."

Pour affiner l'algorithme, les chercheurs ont commencé avec 7, 385 composés pour lesquels les données de toxicité sont connues, et l'a comparé avec les données sur les mêmes produits chimiques dans PubChem. Ils ont ensuite testé l'algorithme avec 600 nouveaux composés. Pour plusieurs groupes de produits chimiques, l'algorithme dirigé par Rutgers avait un taux de réussite de 62 % à 100 % pour prédire leur niveau de toxicité orale. Et en comparant les relations entre les ensembles de produits chimiques, ils mettent en lumière de nouveaux facteurs qui peuvent déterminer la toxicité d'un produit chimique.

Bien que l'algorithme ait été conçu uniquement pour évaluer le niveau de toxicité des produits chimiques lorsqu'ils sont consommés par voie orale, les chercheurs dirigés par Rutgers concluent que leur stratégie peut être étendue pour prédire d'autres types de toxicité.

« Bien que le remplacement complet des tests sur les animaux ne soit toujours pas réalisable, ce modèle franchit une étape importante pour répondre aux besoins de l'industrie, dans lequel de nouveaux produits chimiques sont constamment en développement, et pour la sécurité environnementale et écologique, " a déclaré l'auteur correspondant Hao Zhu, professeur agrégé de chimie à Rutgers-Camden et au Rutgers and Environmental and Occupational Health Sciences Institute.