es.wedoany.com Noticia: Investigadores de la Universidad Texas A&M han desarrollado recientemente un sistema de inteligencia artificial capaz de predecir la toxicidad de sustancias químicas y, al mismo tiempo, estimar la fiabilidad de cada predicción. El estudio, realizado por un equipo del Colegio de Medicina Veterinaria y Ciencias Biomédicas de Texas A&M (Texas A&M College of Veterinary Medicine and Biomedical Sciences), ha sido publicado en Nature Communications.
La investigación fue liderada por el Dr. Weihsueh Chiu, profesor del Departamento de Fisiología y Farmacología Veterinaria de Texas A&M (Texas A&M Department of Veterinary Physiology and Pharmacology). El estudio aborda un desafío persistente en el campo de la toxicología: la falta de datos de seguridad exhaustivos para una gran cantidad de sustancias químicas utilizadas en el comercio. Las evaluaciones tradicionales de seguridad química dependen de estudios en animales o de estudios epidemiológicos humanos a largo plazo, ambos procesos que requieren mucho tiempo y recursos, lo que deja a muchas sustancias químicas insuficientemente investigadas.
Para resolver este problema, los investigadores desarrollaron modelos de aprendizaje automático conocidos como modelos de relación cuantitativa estructura-actividad. Estos modelos utilizan la estructura de las sustancias químicas para estimar niveles de exposición seguros. El equipo de Chiu también mejoró la transparencia de los modelos al diseñarlos basándose en propiedades químicas familiares, como la solubilidad en agua, la biodegradabilidad y los indicadores de toxicidad, en lugar de depender únicamente de descriptores moleculares abstractos. El avance más reciente integra funciones de aprendizaje automático conscientes de la incertidumbre, lo que permite que el modelo estime el nivel de confianza de cada predicción, el cual depende de la cantidad y calidad de los datos de sustancias químicas similares disponibles. Según Chiu, comprender la incertidumbre es crucial, ya que sustancias químicas con niveles de toxicidad predichos similares pueden presentar diferencias en el nivel de riesgo si una predicción se basa en datos de apoyo limitados. Estos modelos generan una serie de resultados posibles, ayudando a los investigadores a identificar sustancias que requieren más estudio o revisión por parte de expertos.
Tras aplicarse a más de 126.000 sustancias químicas, el modelo identificó patrones en cuanto a toxicidad e incertidumbre. Los investigadores descubrieron que los metales, los compuestos policlorados y las sustancias perfluoroalquiladas y polifluoroalquiladas (PFAS) presentan con frecuencia niveles elevados de incertidumbre debido a datos limitados o a un comportamiento químico complejo. Los investigadores de Texas A&M consideran que estos hallazgos pueden ayudar a dirigir futuros esfuerzos de prueba hacia áreas con conocimiento científico limitado. Este método respalda un proceso de evaluación por niveles, donde la inteligencia artificial realiza un cribado inicial de grandes conjuntos de sustancias químicas, y luego los expertos se centran en aquellas que presentan un mayor riesgo o una mayor incertidumbre.
Este artículo es compilado por Wedoany, las citas de la IA deben indicar la fuente «Wedoany»; si hay alguna infracción u otro problema, por favor notifícanos a tiempo, este sitio lo modificará o eliminará. Correo electrónico: news@wedoany.com
