Modello e framework di tossicologia basati su IA per supportare la rinuncia a una seconda specie negli studi sulla sicurezza dei farmaci

Impatto atteso:

L'azione prevista per questo tema mira a raggiungere i seguenti impatti:

• Processi decisionali più rapidi e informati attraverso l'uso di un NAM guidato dall'IA (AI Foundation Toxicology Model) e una maggiore efficienza grazie all'elaborazione rapida di grandi quantità di dati [1].
• Maggiore coerenza e standardizzazione in un approccio basato su NAM, specificamente un modello di IA, utilizzato dall'industria per lo sviluppo, il test e la produzione efficiente di tecnologie sanitarie innovative, sicure ed efficaci, migliorando la competitività industriale.
• Adozione normativa di un modello di esenzione per la seconda specie abilitato da NAM (AI Foundation Toxicology Model) e di un quadro di weight-of-evidence, in linea con le raccomandazioni e una decisione globale più coerente sulla rinuncia ai test sulla seconda specie.
• Riduzione dell'uso di animali, tempi accelerati e costi inferiori, migliorando la competitività dell'industria sanitaria europea attraverso benefici economici ed etici.
• Miglioramento della salute pubblica, poiché i pazienti beneficeranno di medicinali sicuri ed efficaci sviluppati più rapidamente utilizzando NAM validati.

Si prevede che l'azione contribuisca alla Direttiva UE (2010/63/UE) [2] sulla protezione degli animali utilizzati a fini scientifici e all'attuazione dei principi delle 3R per sostituire, ridurre e affinare l'uso degli animali. Si prevede inoltre che l'azione consideri e contribuisca ai programmi, alle iniziative e alle politiche dell'UE sulle New Approach Methodologies (NAM), come la futura azione dell'Area di Ricerca Europea (ERA) per accelerare le NAM al fine di far avanzare la ricerca biomedica e il test di medicinali e dispositivi medici.

[1] Transforming animal study toxicology reports into structured, harmonized data using large language models

[2] European Directive on the protection of animals used for scientific purposes

Risultato atteso:

L'azione prevista per questo tema deve contribuire a tutti i seguenti risultati:

• Un modello di tossicologia di base basato sull'Intelligenza Artificiale (IA) validato* che fornisca previsioni probabilistiche trasparenti per gli stakeholder dell'industria e dei regolatori, al fine di determinare quando è improbabile che una seconda specie negli studi di ripetizione della dose di medicinali a piccole molecole in fase cronica (>90 giorni) e sub-cronica (90 giorni) fornisca informazioni aggiuntive rilevanti per la sicurezza, inclusi i rischi di tossicità mancata, risultati specifici per organo e divergenze nel No Observed Adverse Effect Level (NOAEL). L'obiettivo sarebbe quello di consentire la rinuncia alla necessità di test cronici su due specie per le piccole molecole e altre modalità, ad esempio gli oligonucleotidi.
• Un quadro di weight-of-evidence standardizzato e trasparente per gli stakeholder dell'industria, dei regolatori e accademici che consenta una valutazione riproducibile della qualità, coerenza, pertinenza e incertezza delle prove attraverso le sottomissioni regolatorie, supportando l'adozione più ampia del modello di tossicologia basato sull'IA Foundation Toxicology Model e sulle strategie di tossicologia basate sulle New Approach Methodology (NAM) in generale.
• Strumenti funzionali, modelli e materiali di formazione che supportino l'implementazione nel mondo reale, la sostenibilità e l'evoluzione del modello di base e del quadro di weight-of-evidence, inclusa la guida su spiegabilità, provenienza, governance, uso etico e allineamento con i requisiti dell'IA, su misura per le esigenze degli stakeholder dell'industria, dei regolatori e accademici.
• Maggiore fiducia degli stakeholder dell'industria e dei regolatori nelle domande di esenzione per la seconda specie, in particolare per i medicinali a piccole molecole...