AOP-Wiki EMOD 3.0: Data Model Expansions and Content Evaluation Framework for Using Agentic AI to Improve Integration between AOPs and New Approach Methodologies (NAMs)

Adverse Outcome Pathways (AOP) are logic models that causally link biological mechanisms that can be measured in a lab to adverse outcomes, relevant to chemical regulatory endpoints. AOPs contextualize new approach methodologies (NAMs), in vitro and in silico methods used as alternatives to animal testing and the sequential events in an AOP serve as multi-scale models spanning biological scales. The AOP-Wiki serves as the global repository for AOPs. While the AOP-Wiki has played a central role in AOP expansion over the past decade, constraints within the current data model and application infrastructure limit the AOP-Wiki from supporting continued AOP growth and evolution. Yet, the transformative power of agentic AI has re-invigorated AOP-Wiki data modernization efforts at a time when core AOP principles can be harnessed to inform use of AI for aggregating and structuring AOP-relevant information. Seizing upon this momentum, we present AOP-Wiki EMOD 3.0, the third in a series of evidence model prototypes, which concretely demonstrates data model expansions and our vision for how the AOP-Wiki might be transformed to better serve regulatory science and emergent use of AOPs in biomedical and One Health contexts. We aim to lay a foundation to support computationally-generated AOPs and quantitative AOPs (qAOPs) by focussing on solutions for AOP-Wiki internal quality improvement, evidence structuring to enhance AOP FAIRness and AI-readiness, and improved integration between the AOP framework and NAMs to better serve next generation risk assessment.

📋 한 줄 요약

**[Regulatory Science / Agentic AI]** AOP-Wiki EMOD 3.0이 데이터 모델 확장·content evaluation 프레임워크로 agentic AI 활용을 통합, qAOP·computationally-generated AOP 지원·NAM과의 통합 강화·AOP의 AI-readiness 향상.

🎯 핵심 기여도

Adverse Outcome Pathway(AOP)가 실험실에서 측정 가능한 biological mechanism을 규제 endpoint와 인과적으로 연결하는 logic model이며 NAM(new approach methodologies, in vitro·in silico) 활용 contextualization과 생물 스케일 multi-scale model 역할을 함을 배경 소개.
AOP-Wiki가 global AOP 저장소로 지난 10년 AOP 확장의 중심이었으나 현 data model·인프라 제약이 지속 성장을 제한함을 진단.
Agentic AI의 변혁적 힘이 AOP-Wiki 데이터 현대화를 재활성화 — AOP 원리를 AI의 AOP 정보 aggregation·구조화에 활용 가능.
AOP-Wiki EMOD 3.0 제시 — evidence model prototype 시리즈의 세 번째로 데이터 모델 확장과 AOP-Wiki 변환 비전 구체화, regulatory science·biomedical·One Health context에서의 AOP 활용 지원.

💡 핵심 아이디어

규제 과학의 AOP 프레임워크는 데이터 모델 modernization과 agentic AI 통합을 동시에 진전해야 하며, EMOD 3.0이 internal quality·evidence 구조화·FAIR·AI-readiness·NAM 통합의 5축에서 AOP-Wiki를 미래 사용 사례에 맞게 변환한다.

🔬 기술적 접근법

**방법론**: AOP-Wiki EMOD 3.0 — 데이터 모델 확장 + content evaluation framework + agentic AI 통합.
**핵심 기법**: (1) AOP-Wiki internal quality improvement 솔루션, (2) Evidence 구조화로 FAIRness·AI-readiness 강화, (3) AOP framework와 NAM 간 통합 개선, (4) Computationally-generated AOP·quantitative AOP(qAOP) 지원 기반 마련, (5) Agentic AI를 활용한 AOP 정보 aggregation·구조화 비전 제시.

📊 주요 결과

EMOD 시리즈 3번째 evidence model prototype 공개.
데이터 모델 확장 영역 식별·구체화.
AI-readiness·FAIR·NAM 통합 강화 방향 제시.
Next generation 위험 평가의 토대 마련.

💭 의의 및 한계

**의의**: 규제 과학에서 AI·AOP의 시너지 비전 정립, AOP-Wiki의 modernization roadmap 제공, biomedical·One Health 활용 확장 토대. **한계**: Prototype 단계로 실제 운영 시스템 검증 후속, agentic AI 활용 부분은 비전 중심으로 구체 구현 의존, regulatory uptake 시간 소요.

🚀 실용적 활용

화학 위험 평가의 NAM 기반 AOP 활용.
약물·환경 안전 평가의 AI 보조.
Biomedical·One Health 통합 evidence 분석.