Algoritma machine learning bisa digunakan untuk memprediksi bagaimana efek bahan kimia berbahaya terhadap tubuh manusia. Tingkat akurasinya serupa dengan menguji cobanya kepada hewan, seperti dipublikasikan pada Toxicological Sciences.
Sehingga, para peneliti bisa menghemat 3,5 miliar euro (sekitar RP58,6 triliun) tiap tahunnya untuk percobaan mereka. Selain itu, percobaan mereka pun tak lagi membahayakan nyawa dari hewan-hewan laboratorium yang menjadi percobaan.
Tikus, kelinci, dan monyet adalah jkeis hewan yang paling sering diuji coba dilaboratorium ketika para peneliti melakukan pengetesan bahan kimia. Sebanyak 57 persen dari hewan percobaan itu mengalami kematian di Eropa pada 2011. Sebagian besar percobaan bahan kimia ini misalnya digunakan pada obat, kosmetik, peralatan elektronik.
Untuk uji coba, sekelompok peneliti melakukan serangkaian database untuk melabeli 80.908 bahan kimia. Sebagian dari bahan kimia yang diuji memang menyebabkan pengeroposan, iritasi, kerusakan mata parah, atau berbahaya pada lapisan ozon.
Lalu mereka membuat campuran yang tidak diawasi dan campuran yang diawasi. Keduanya digunakan untuk membangun model statistik. Model statistik ini akan membentuk pengelompokan soal seberapa bahayanya satu campuran dan kemiripan racun kimia satu dan yang lainnya.
Hasilnya, model yang dibangun menunjukkan akurasi 70-80 persen dari waktu ke waktu. Ini sejalan dengan panduan OECD yang menunjukkan bahwa pengetesan pada hewan menunjukkan tingkat akurasi 70-96 persen.
Meski demikian, beberapa kali akurasi pengetesan ini sangat buruk begitu dilakukan pengetesan pada hewan. Sebab, reaksi hewan seringkali berbeda dari model yang digunakan pada komputer.
“Melakukan uji coba pada hewan masih jadi pertimbangan penting ketika membandingkan dengan hasil yang didapat dari model di komputer,” tulis publikasi tersebut, Rabu (11/7) seperti dikutip The Register.
“Hasil menunjukkan bahwa model kompleks dan sederhana di komputer, bisa menyediakan kemampuan prediksi (bahan kimia) yang mirip dengan model pengetesan terhadap binatang.”
Saat ini, model komputer yang tersedia masih sangat sederhana. Machine learning yang digunakan untuk proyek ini masih terus ditingkatkan kemampuannya dengan terus menambahkan data ke mesin itu.
Di sisi lain, para peneliti khawatir penambahan data ini mempersulit mereka untuk menjelaskan cara sistem melakukan prediksi.
