Ir al contenido 
La inteligencia artificial comienza a abrir una nueva etapa en la investigación biomédica. Un equipo de científicos suizos desarrolló un “ratón virtual”, un modelo computacional impulsado por inteligencia artificial capaz de predecir cómo reaccionaría el organismo ante ciertos tratamientos sin necesidad de recurrir a pruebas físicas en animales vivos, un avance que podría transformar el desarrollo de medicamentos y disminuir significativamente la experimentación animal.
La herramienta, presentada en la revista ACS Nano, fue diseñada para anticipar el comportamiento de nanomateriales empleados en medicina, especialmente aquellos desarrollados para transportar fármacos hacia órganos específicos. Este tipo de nanopartículas despierta un creciente interés en el tratamiento de enfermedades complejas, desde diversos tipos de cáncer hasta trastornos neurológicos.
En la actualidad, evaluar la seguridad y eficacia de estas partículas requiere numerosas pruebas en ratones de laboratorio ya que, con ello, se logra determinar en qué órganos se acumulan, cuánto tiempo permanecen en el organismo y si son capaces de atravesar barreras biológicas altamente selectivas, como la barrera hematoencefálica que protege al cerebro. Sin embargo, estos ensayos suelen ser costosos, prolongados y generan cuestionamientos éticos sobre el uso de animales en la investigación.
Para resolver estos problemas, los investigadores Jimeng Wu, Peter Wick y Bernd Nowack unieron distintos métodos de inteligencia artificial y modelos matemáticos para estudiar cómo se mueven las sustancias en el cuerpo. El sistema se entrenó con datos de estudios previos sobre cómo se distribuyen las nanopartículas según 18 experimentos hechos con ratones sanos y se centró solo en partículas que no se disuelven en el organismo. La herramienta, agregan, “ofrece un enfoque novedoso para predecir la eficiencia de entrega de nanopartículas en ratones utilizando únicamente sus características fisicoquímicas”, lo que permite “minimizar la dependencia de estudios adicionales con animales”.
El llamado “ratón virtual” recibe información sobre propiedades de las nanopartículas, como su tamaño, recubrimiento superficial y potencial zeta una medida relacionada con su carga eléctrica y calcula automáticamente cómo se distribuirían en órganos como el hígado, los pulmones, el bazo o los riñones. De acuerdo con los investigadores, precisamente “el potencial zeta, el tamaño y el recubrimiento” fueron identificados como los factores con mayor influencia en el comportamiento de estas estructuras dentro del organismo, mientras que “el material del núcleo y la forma tuvieron impactos menores”.
Las predicciones del modelo alcanzaron niveles de precisión elevados, con valores de ajuste de hasta 0.9 para algunos indicadores cinéticos, permitiendo simular con éxito la biodistribución observada en los 18 estudios analizados. Los autores señalan que, si bien este sistema es una alternativa para evaluar los posibles riesgos de las nanopartículas, también es útil para científicos, empresas farmacéuticas y autoridades que regulan los medicamentos. Además, explican que el modelo ayuda a reducir los estudios en animales, que suelen tardar mucho tiempo y generan dilemas éticos, ya que permite hacer primero pruebas virtuales para identificar qué opciones son más prometedoras.
No obstante, reconocen que aún existen desafíos como que base de datos utilizada es relativamente pequeña y será necesario incorporar más información experimental, explorar modelos no lineales y desarrollar ensayos in vitro complementarios para mejorar la precisión de las predicciones.
A largo plazo, los científicos esperan adaptar esta tecnología para realizar extrapolaciones entre especies, incluido el ser humano. Si ese objetivo se alcanza, la inteligencia artificial podría acelerar el desarrollo de tratamientos más seguros y personalizados, acercando a la medicina a un futuro en el que cada vez menos animales sean necesarios para impulsar la innovación médica.
Referencias bibliográficas
Wu, J., Wick, P., & Nowack, B. (2025). Machine learning–assisted PBPK modeling for nanoparticle biodistribution. ACS Nano. https://pubs.acs.org/doi/10.1021/acsnano.5c03040 [2]
Nature Nanotechnology. (s. f.). Nature Nanotechnology. Nature Portfolio. https://www.nature.com/naturenanotechnology/
American Association for the Advancement of Science. (s. f.). Science. https://www.science.org/
European Commission Joint Research Centre. (s. f.). EU reference laboratory for alternatives to animal testing (EURL ECVAM). https://joint-research-centre.ec.europa.eu/eu-reference-laboratories/alternatives-animal-testing_en
National Institutes of Health. (s. f.). Research training and medical research resources. https://www.nih.gov/research-training
