Los algoritmos avanzados que funcionan a partir de grandes bases de datos químicas pueden predecir la toxicidad de un nuevo químico mejor que las pruebas estándar en animales, sugiere un estudio dirigido por científicos de la Escuela de Salud Pública Bloomberg de Johns Hopkins.
Los investigadores, en el estudio que aparece en la revista Ciencias toxicológicas el 11 de julio, extrajo una gran base de datos de químicos conocidos que desarrollaron para mapear las relaciones entre las estructuras químicas y las propiedades tóxicas. Luego demostraron que uno puede usar el mapa para predecir automáticamente las propiedades tóxicas de cualquier compuesto químico, con mayor precisión queuna sola prueba en animales sería suficiente
La herramienta de predicción de toxicidad más avanzada que desarrolló el equipo fue en promedio aproximadamente 87 por ciento precisa en la reproducción de resultados basados en pruebas de consenso de animales, en nueve pruebas comunes, que representan el 57 por ciento de las pruebas de toxicología animal en el mundo. Por el contrario,la repetición de las mismas pruebas con animales en la base de datos fue de solo un 81 por ciento de precisión; en otras palabras, cualquier prueba tenía solo un 81 por ciento de probabilidad, en promedio, de obtener el mismo resultado de toxicidad cuando se repite.
"Estos resultados son una verdadera revelación: sugieren que podemos reemplazar muchas pruebas en animales con predicciones basadas en computadora y obtener resultados más confiables", dice el investigador principal Thomas Hartung, MD, PhD, el Presidente Doerenkamp-Zbinden yprofesor en el Departamento de Salud Ambiental e Ingeniería de la Escuela Bloomberg.
El enfoque basado en computadora también podría aplicarse a muchos más productos químicos que las pruebas en animales, lo que podría conducir a evaluaciones de seguridad más amplias. Debido a los costos y desafíos éticos, solo una pequeña fracción de los aproximadamente 100,000 productos químicos en productos de consumo han sido probados exhaustivamente.
Los animales como ratones, conejos, conejillos de indias y perros se someten anualmente a millones de pruebas de toxicidad química en laboratorios de todo el mundo. Si bien la ley suele exigir estas pruebas en animales para proteger a los consumidores, se opone en términos morales a grandes segmentos depúblico, y también es impopular con los fabricantes de productos debido a los altos costos e incertidumbres sobre los resultados de las pruebas.
"Un nuevo pesticida, por ejemplo, puede requerir 30 pruebas con animales por separado, lo que le cuesta a la empresa patrocinadora unos 20 millones de dólares", dice Hartung, quien también dirige el Centro de Alternativas a las Pruebas en Animales, que se encuentra en el Departamento de Bloomberg SchoolSalud Ambiental e Ingeniería.
La alternativa más común a las pruebas en animales es un proceso llamado lectura cruzada, en el que los investigadores predicen la toxicidad de un nuevo compuesto en función de las propiedades conocidas de pocos químicos que tienen una estructura similar. La lectura cruzada es mucho menos costosa que la prueba en animales,Sin embargo, requiere una evaluación experta y un análisis algo subjetivo para cada compuesto de interés.
Como primer paso hacia la optimización y automatización del proceso de lectura, Hartung y sus colegas crearon hace dos años la base de datos toxicológicos legibles por máquina más grande del mundo. Contiene información sobre las estructuras y propiedades de 10,000 compuestos químicos, basada en parte en 800,000pruebas de toxicología separadas.
"Hay una enorme redundancia en esta base de datos; descubrimos que a menudo el mismo químico ha sido probado docenas de veces de la misma manera, como ponerlo en los ojos de los conejos para verificar si es irritante", dice Hartung.de los animales, sin embargo, dieron a los investigadores la información que necesitaban para desarrollar un punto de referencia para un mejor enfoque.
Para su estudio, el equipo amplió la base de datos y utilizó algoritmos de aprendizaje automático, con la capacidad de computación proporcionada por el sistema de servidor en la nube de Amazon, para leer los datos y generar un "mapa" de estructuras químicas conocidas y sus propiedades tóxicas asociadas. Desarrollaronsoftware relacionado para determinar con precisión dónde pertenece cualquier compuesto de interés en el mapa y si, en función de las propiedades de los compuestos "cercanos", es probable que tenga efectos tóxicos como irritación de la piel o daño en el ADN.
"Nuestro enfoque automatizado claramente superó la prueba en animales, en una evaluación muy sólida utilizando datos de miles de diferentes productos químicos y pruebas", dice Hartung. "Así que es una gran noticia para la toxicología". Underwriter's Laboratories UL, una compañía que se especializaal desarrollar estándares de seguridad pública y probarlos, copatrocinó este trabajo y está haciendo comercialmente disponible la herramienta de software de lectura completa.
La Administración de Drogas y Alimentos de EE. UU. Y la Agencia de Protección Ambiental han comenzado evaluaciones formales del nuevo método, para probar si la lectura completa puede sustituir una proporción significativa de las pruebas en animales que se usan actualmente para evaluar la seguridad de los productos químicos en los alimentos, las drogasy otros productos de consumo. Los investigadores también están comenzando a usarlo para ayudar a algunas grandes corporaciones, incluidas las principales empresas de tecnología, a determinar si tienen productos químicos potencialmente tóxicos en sus productos.
"Tal vez algún día, los químicos usarán tales herramientas para predecir la toxicidad incluso antes de sintetizar una sustancia química para que puedan concentrarse en fabricar solo compuestos no tóxicos", dice Hartung.
Tom Luechtefeld, Dan Marsh, Craig Rowlands y Thomas Hartung escribieron "El aprendizaje automático de grandes datos toxicológicos permite que las relaciones de actividad de estructura de lectura RASAR superen la reproducibilidad de las pruebas en animales"
Divulgaciones: Craig Rowlands es empleado de Underwriters Laboratories UL. Los otros autores consultan a UL sobre toxicología computacional, especialmente de lectura cruzada, y tienen una parte de sus respectivas ventas. Tom Luechtefeld y Dan Marsh han creado ToxTrack LLC para desarrollartales herramientas computacionales. El acuerdo de Thomas Hartung con UL ha sido revisado y aprobado por la Universidad Johns Hopkins de acuerdo con sus políticas de conflicto de intereses.
La financiación fue proporcionada por el Instituto Nacional de Ciencias de Salud Ambiental Grant T32 ES007141 y el programa Horizonte 2020 de la Comisión Europea Grant 681002.
Fuente de la historia :
Materiales proporcionado por Escuela de Salud Pública Bloomberg de la Universidad Johns Hopkins . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :