Tilbake til søkeresultatene

STIPINST-Stipendiatstillinger i instituttsektoren

Stipendiatstillinger til NIVA (2017-2021)

Tildelt: kr 3,3 mill.

Vurderingen av økosystemenes helse er av stor interesse for å få innsikt i virkningen av menneskelige aktiviteter. Helsen til et økosystem kan ses på som summen av påvirkningen på organismer som okkuperer dette økosystemet. En av de største bekymringene for negative virkninger på det akvatiske økosystemet er utslipp og effekter av kjemikalier (miljøgifter) på en eller flere av de organismene som lever der. For å vurdere muligheten for at skadeeffekter kan oppstå, måles nivået (konsentrasjonen) av utvalgte miljøgifter i ulike deler av miljøet (eks. vann, sedimenter, luft eller organismene selv) og disse verdiene sammenlignes med terskelverdier der effekter på enkeltarter ikke forventes å oppstå. Disse terkselverdiene er bestemt på grunnlag av kontrollerte laboratoriestudier med forsøksdyr og er ansett som etisk og økonomisk utfordrende. Det internasjonale forskermiljøet jobber derfor med å redusere, effektivisere og erstatte bruk av forsøksdyr. Utvikling av metoder for å estimere toksisiteten på en organisme er i større og større grad benyttet som slike alternative testmentoder og deles grovt sett inn i to kategorier med ulike bruksområder: QSAR og "Read-Across". Quantitative structure-activity relationship (QSAR) ser på egenskapene til hvert kjemikalie for å bestemme i hvilken grad og hvordan ett gitt kjemikalie kan påvirke en organisme negativt. "Read-Across" benytter i likhet med QSAR eksisterende data, men har potensielt ett større anvendelsesområde ved å se på større grupper av kjemikalier eller arter for å fylle kunnskapshull. Denne avhandlingen undersøker en hybrid tilnærming av de to metodene beskrevet ovenfor ved å introdusere bakgrunnskunnskap i ulike modelleringsmetoder. Denne bakgrunnskunnskapen har form av en kunnskapsgraf som er en samling av faktaopplysninger. Disse faktaopplysninger uttrykkes på en måte som er både maskinell og menneskelig lesbar. Denne kunnskapsgrafen inneholder faktaopplysninger om arter, kjemikalier og eksisterende laboratorieforsøk, samt store mengder metadata knyttet til disse. Kunnskapsgrafer er symbolsk kunnskap som ikke er ideell for bruk i modelleringsmetoder, for eksempel maskinlæring, hvor numeriske verdier er nødvendige. Derfor bruker vi metoder for innbygging av kunnskapsgrafer. Oppgaven til disse metodene er å gjøre ting (f.eks. et kjemikalie) i kunnskapsgrafen til numeriske representasjoner i form av en vektor. Disse metodene tar hensyn til kunnskapsgrafens struktur og prøver å bevare den så godt som mulig i den numeriske representasjonen. Nå som kunnskapsgrafen er representert numerisk, kan vi lære sammenhenger mellom representasjonene arter og kjemikalier og den toksiske effekten sistnevnte har på førstnevnte. Vi fant at ved å inkludere bakgrunnskunnskapen i modelleringsmetoden var vi i stand til å øke prediksjonsnøyaktigheten i forhold til en metode som bruker kjemisk og artmessig (taksonomisk) likhet. Disse modelleringsmetodene som brukes er naturlig vanskelige å forklare, det vil si at relasjonene som læres fra dataene kan være svært komplekse og det er umulig å utlede disse på en enkel måte. Derfor bruker vi kunnskapsgrafen på noen få utvalgte måter for å øke forståelsen av hvordan modellen gjør prediksjoner. Vi ser på hvor mye data som er tilgjengelig i kunnskapsgrafen, og det viser seg at datamengden korrelerer med feilen i hver prediksjon. Om ikke overraskende, et interessant resultat. Vi bruker også kunnskapsgrafen til å gi faktaopplysninger som er relevante for prediksjonen. Disse faktaopplysningerene kan presenteres til en domeneekspert som kan trekke konklusjoner om kunnskapsområder som mangler og må utvides. Vi har vist, ved hjelp av maskinlæring og kunnskapsgrafer, at storskala, generiske modeller for toksisitet er mulig å utvikle. Dessuten er store områder av dette feltet fortsatt ukjente og ytterligere forskning er nødvendig for å øke robustheten og forklarbarheten til modellene.

The PhD work has led to the integration of two key disciplines in science, data sciences (informatics) and (eco)toxicology, to advance the use of advanced modelling for hazard assessment. The effort has brought together scientists from Norway and the United Kingdom to perform high level research, developing new areas of expertise and establish a collaborative platform for future initiatives. The PhD work has introduced novel approaches to the research arena, and it may facilitate advancement of the methods within Next Generation Risk Assessment (NGRA). Although the work is currently in its infancy, even within the research arena, future efforts are envisioned to have potential utility also for regulatory sciences and industry to integrate disparate data sources and fill data gaps where such exists (e.g. read-across in regulatory decision making).

Budsjettformål:

STIPINST-Stipendiatstillinger i instituttsektoren

Finansieringskilder