Editorial ilmu komputer
Open AccessOA2026
AOP-Wiki EMOD 3.0: Perluasan Model Data dan Kerangka Evaluasi Konten untuk Menggunakan AI Agentik guna Meningkatkan Integrasi antara AOP dan New Approach Methodologies (NAM)
Prototipe model bukti yang menunjukkan perluasan model data dan visi untuk mentransformasi AOP-Wiki agar melayani ilmu regulasi, AOP komputasional, dan penilaian risiko generasi berikutnya
Virginia K. Hench; J. Harry Caufield; Sierra A. T. Moxon; Jason M. O'Brien; Stephen W. Edwards· 2026· DOI 10.48550/arXiv.2605.21645
Masalah inti
Adverse Outcome Pathways (AOP) adalah model logika yang menghubungkan secara kausal mekanisme biologis yang terukur dengan hasil merugikan yang relevan untuk endpoint regulasi kimia. AOP mengontekstualisasikan New Approach Methodologies (NAM)—metode in vitro dan in silico yang digunakan sebagai alternatif pengujian hewan—dan peristiwa berurutan dalam AOP berfungsi sebagai model multi-skala yang mencakup skala biologis. AOP-Wiki adalah repositori global untuk AOP dan telah memainkan peran sentral dalam perluasan AOP selama satu dekade terakhir. Namun, keterbatasan dalam model data dan infrastruktur aplikasi saat ini membatasi AOP-Wiki untuk mendukung pertumbuhan dan evolusi AOP yang berkelanjutan. Kekuatan transformatif AI agentik telah menghidupkan kembali upaya modernisasi data AOP-Wiki pada saat prinsip inti AOP dapat dimanfaatkan untuk menginformasikan penggunaan AI dalam mengagregasi dan menata informasi yang relevan dengan AOP. Memanfaatkan momentum ini, penulis menyajikan AOP-Wiki EMOD 3.0, yang ketiga dalam serangkaian prototipe model bukti, yang secara konkret menunjukkan perluasan model data dan visi tentang bagaimana AOP-Wiki dapat ditransformasi untuk lebih melayani ilmu
Inovasi
Hasil utama adalah prototipe AOP-Wiki EMOD 3.0 itu sendiri, yang menunjukkan perluasan model data yang layak dan visi untuk AOP-Wiki yang ditransformasi. Penulis melaporkan bahwa prototipe ini secara konkret menunjukkan bagaimana model data dapat diperluas untuk lebih mendukung ilmu regulasi dan kasus penggunaan AOP yang muncul. Hasil kunci meliputi: (1) model data yang mengatasi keterbatasan saat ini, memungkinkan pertumbuhan dan evolusi AOP yang berkelanjutan; (2) kerangka evaluasi konten yang memanfaatkan AI agentik untuk peningkatan kualitas internal AOP-Wiki dan penataan bukti; dan (3) integrasi yang ditingkatkan antara AOP dan NAM, memfasilitasi penilaian risiko generasi berikutnya. Prototipe ini meletakkan fondasi untuk AOP yang dihasilkan secara komputasional dan qAOP dengan menyediakan representasi data yang terstruktur, FAIR, dan siap AI. Meskipun metrik kuantitatif spesifik (misalnya, jumlah entitas baru, tolok ukur kinerja) tidak disediakan dalam abstrak, karya ini merupakan langkah signifikan menuju modernisasi infrastruktur AOP-Wiki. Penulis menekankan bahwa prototipe ini adalah yang ketiga dalam serangkaian prototipe model bukti, yang menunjukkan pengembangan dan pen
Adverse Outcome Pathways (AOP) adalah model logika yang menghubungkan secara kausal mekanisme biologis yang terukur dengan hasil merugikan yang relevan untuk endpoint regulasi kimia. AOP mengontekstualisasikan New Approach Methodologies (NAM)—metode in vitro dan in silico yang digunakan sebagai alternatif pengujian hewan—dan peristiwa berurutan dalam AOP berfungsi sebagai model multi-skala yang mencakup skala biologis. AOP-Wiki adalah repositori global untuk AOP dan telah memainkan peran sentral dalam perluasan AOP selama satu dekade terakhir. Namun, keterbatasan dalam model data dan infrastruktur aplikasi saat ini membatasi AOP-Wiki untuk mendukung pertumbuhan dan evolusi AOP yang berkelanjutan. Kekuatan transformatif AI agentik telah menghidupkan kembali upaya modernisasi data AOP-Wiki pada saat prinsip inti AOP dapat dimanfaatkan untuk menginformasikan penggunaan AI dalam mengagregasi dan menata informasi yang relevan dengan AOP. Memanfaatkan momentum ini, penulis menyajikan AOP-Wiki EMOD 3.0, yang ketiga dalam serangkaian prototipe model bukti, yang secara konkret menunjukkan perluasan model data dan visi tentang bagaimana AOP-Wiki dapat ditransformasi untuk lebih melayani ilmu regulasi dan penggunaan AOP yang muncul dalam konteks biomedis dan One Health. Karya ini bertujuan meletakkan fondasi untuk mendukung AOP yang dihasilkan secara komputasional dan AOP kuantitatif (qAOP) dengan berfokus pada solusi untuk peningkatan kualitas internal AOP-Wiki, penataan bukti untuk meningkatkan FAIRness dan kesiapan AI AOP, serta integrasi yang lebih baik antara kerangka AOP dan NAM untuk lebih melayani penilaian risiko generasi berikutnya.
Penulis mengembangkan AOP-Wiki EMOD 3.0 sebagai prototipe model bukti yang memperluas model data AOP-Wiki yang ada. Metodologi berpusat pada tiga pilar yang saling terkait: (1) peningkatan kualitas internal AOP-Wiki, (2) penataan bukti untuk meningkatkan FAIRness (Findable, Accessible, Interoperable, Reusable) dan kesiapan AI, dan (3) integrasi yang lebih baik antara AOP dan NAM. Prototipe ini secara konkret menunjukkan perluasan model data, kemungkinan termasuk tipe entitas baru, hubungan, dan bidang metadata untuk menangkap asal-usul bukti, hubungan kuantitatif, dan tautan ke data NAM. Penulis juga mengusulkan kerangka evaluasi konten untuk menggunakan AI agentik dalam mengagregasi dan menata informasi yang relevan dengan AOP. Meskipun abstrak tidak merinci algoritma spesifik, pendekatan ini memanfaatkan AI agentik—agen AI otonom yang mampu melakukan penalaran kompleks dan eksekusi tugas—untuk membantu mengisi, mengkurasi, dan mengevaluasi konten AOP. Kerangka ini dirancang untuk mendukung AOP yang dihasilkan secara komputasional dan AOP kuantitatif (qAOP), yang memerlukan data terstruktur yang dapat dibaca mesin. Metodologi menekankan keselarasan dengan prinsip inti AOP untuk memandu penggunaan AI, memastikan bahwa konten yang dihasilkan AI mematuhi logika kausal dan standar bukti kerangka AOP. Prototipe ini berfungsi sebagai proof-of-concept untuk mentransformasi AOP-Wiki menjadi platform yang lebih skalabel dan siap AI.
Mengapa penting
Penulis membahas potensi transformatif AOP-Wiki EMOD 3.0 dalam konteks ilmu regulasi dan One Health. Mereka berargumen bahwa model data dan keterbatasan infrastruktur AOP-Wiki saat ini menghambat kemampuan repositori untuk mendukung permintaan AOP yang terus tumbuh dan integrasinya dengan NAM. Dengan memperluas model data dan memasukkan AI agentik, prototipe ini mengatasi keterbatasan tersebut dan membuka kemungkinan baru untuk AOP yang dihasilkan secara komputasional dan qAOP. Pembahasan menyoroti sinergi antara prinsip AOP dan AI: prinsip inti AOP (misalnya, keterkaitan kausal, penilaian bukti) dapat menginformasikan desain sistem AI untuk mengagregasi dan menata informasi yang relevan dengan AOP, sementara AI pada gilirannya dapat mempercepat pengembangan dan jaminan kualitas AOP. Penulis membayangkan masa depan di mana AOP-Wiki berfungsi sebagai basis pengetahuan dinamis yang diperkaya AI yang mendukung penilaian risiko generasi berikutnya, mengurangi pengujian hewan, dan memajukan penelitian biomedis dan One Health. Mereka juga mengakui tantangan, seperti memastikan kualitas data, mempertahankan FAIRness, dan mengintegrasikan beragam tipe data NAM. Karya ini diposisikan sebagai fondasi untuk penelitian dan pengembangan di masa depan, mengundang kolaborasi untuk mewujudkan potensi penuh AOP-Wiki yang ditingkatkan AI. Penulis menyimpulkan bahwa memanfaatkan momentum AI agentik sangat penting untuk memodernisasi AOP-Wiki dan memaksimalkan dampaknya pada ilmu regulasi.
Siapa yang sebaiknya membaca
Praktisi dan peneliti ilmu komputer
Membuka konten member…