Assessing chemical toxicity across Eukaryota using multimodal transformers
En palabras de los autores
Biodiversity is globally threatened by chemical pollution, yet toxicity data remain unavailable for millions of species and tens of thousands of chemicals, severely limiting our ability to assess ecological impacts. Here we present TRIDENT-2, a multimodal artificial intelligence model for predicting chemical toxicity across evolutionarily diverse eukaryotic species. Trained on 560,780 toxicity assays spanning 82,775 chemicals, 6,793 species, and multiple exposure scenarios, TRIDENT-2 accurately predicts toxicity across Eukaryota with an average median absolute error ranging from 1.76 to 3.80. By jointly learning from chemical, biological, and experimental information, it remains accurate across broad chemical and taxonomic distances, allowing for toxicity assessment for species and chemicals beyond the current experimental evidence. Our findings demonstrate that artificial intelligence can help overcome longstanding data limitations in ecotoxicology, paving the way for improved decision-making and reducing chemical impacts on biodiversity and ecosystems.
En palabras simples Resumen con IA
La contaminación química amenaza la biodiversidad en todo el mundo, pero faltan datos de toxicidad para la mayoría de las especies y los productos químicos. Los autores construyeron TRIDENT-2, un modelo de inteligencia artificial que predice la toxicidad en diversas especies de eucariotas. Aprende de datos químicos, biológicos y experimentales juntos, manteniendo la precisión para nuevas especies y productos químicos. Los hallazgos muestran que la inteligencia artificial puede ayudar a llenar vacíos de datos en ecotoxicología y apoyar mejores decisiones para proteger los ecosistemas.
Escrito por Kimi K2.5 usando solo el abstract de arriba. Jev verificó que cada oración esté respaldada por las oraciones del abstract que cita y eliminó las que no. Pasá el cursor por una oración para ver de dónde sale. Se eliminó 1 oración por no estar respaldada por el abstract.
Apareció: miércoles, 30 de septiembre. bioRxiv. Preprint, todavía sin revisión por pares.