El rápido progreso de la inteligencia artificial invita a cuestionar si algún día los modelos digitales podrán sustituir por completo el uso de animales en la investigación. ¿Es esto posible?
La idea de que la inteligencia artificial (IA) reemplace por completo el testeo en animales es atractiva, pero la respuesta honesta hoy es: no por sí sola, ni de forma inmediata. Sin embargo, sí estamos viendo una transformación real: la IA integrada con otros métodos (ensayos in vitro, organoides, organs-on-a-chip y bases de datos masivas) está permitiendo predecir riesgos con mayor rapidez y relevancia humana, y los reguladores están comenzando a adaptar sus marcos para aceptarlos.
¿Qué puede aportar la IA?
- Integración de evidencia en marcos IATA: En la toxicología moderna, la toma de decisiones se basa en la integración de múltiples fuentes de evidencia (Integrated Approaches to Testing and Assessment, IATA). La IA es ideal para esto: permite combinar distintos niveles de información como resultados de ensayos in vitro, datos -ómicos, perfiles de estudios high-throughput (como ToxCast/Tox21), parámetros farmacocinéticos, información de exposición y hallazgos de la literatura, generando una visión más completa del riesgo.
- Fortalecimiento de AOPs y mecanismos de toxicidad: Los modelos de aprendizaje automático ayudan a mapear Adverse Outcome Pathways, identificar eventos clave y establecer relaciones cuantitativas. Esto mejora la interpretación mecanística y fortalece la validez regulatoria de los NAMs.
- Predicciones in silico más sólidas: La IA potencia herramientas ya aceptadas regulatoriamente, como:
- QSAR avanzados, con menor tasa de falsos positivos/negativos.
- Modelos PBPK asistidos por machine learning, que refinan parámetros fisiológicos y estiman dosis humanas con mayor precisión.
- Modelos generativos, capaces de diseñar compuestos menos tóxicos desde etapas tempranas.
Estos enfoques ya se usan para evitar ensayos animales de screening y priorizar compuestos en pipelines industriales.
- Interpretación más robusta de sistemas in vitro: Los modelos tridimensionales como esferoides y organoides, y los microfisiológicos organ-on-chip generan grandes volúmenes de datos. La IA permite integrarlos, extraer patrones y traducirlos en predicciones comparables a endpoints regulatorios, aumentando su valor predictivo humano.
Limitaciones actuales
Sesgo por datos animales: La IA aprende de los datos disponibles. Si entrenamos modelos principalmente con resultados de estudios in vivo realizados en otras especies, inevitablemente reproducirá los errores y las limitaciones de esos modelos.
Dominios donde la IA aún no llega: La predicción de toxicidades idiosincráticas, efectos inmunes complejos o fenómenos mediados por variabilidad genética humana sigue siendo un desafío.
Validación regulatoria: Los NAMs impulsados por IA necesitan marcos de validación adaptados. Extender los principios QSAR/OECD hacia modelos más complejos es indispensable para ganar confianza y aceptación formal.
La IA es una tecnología catalizadora que potencia, integra y acelera los métodos alternativos. El final del testeo animal no llegará por un algoritmo aislado, sino por la convergencia estratégica entre modelos computacionales robustos, sistemas humanos avanzados (organoides, esferoides, organ-on-chip), datos clínicos y epidemiológicos de calidad y marcos regulatorios preparados para incorporarlos.