Las pruebas de toxicidad —determinar la cantidad de exposición a una sustancia química que resulta insegura para los seres humanos— son fundamentales para la seguridad de millones de trabajadores de diversos sectores. Pero los investigadores no han sometido a pruebas exhaustivas la mayoría de los 85.000 compuestos presentes en los productos de consumo.
Las pruebas con animales, además de sus implicaciones éticas, pueden resultar demasiado costosas y lentas para satisfacer esta necesidad, según un nuevo estudio en Environmental Health Perspectives.
“Existe una necesidad urgente y mundial de un método preciso, rentable y rápido para evaluar la toxicidad de las sustancias químicas, con el fin de garantizar la seguridad de las personas que trabajan con ellas y de los entornos en los que se utilizan”, afirma el investigador principal Daniel Russo, candidato a doctor en el Centro de Biología Computacional e Integrativa de la Universidad Rutgers-Camden. “Las pruebas con animales por sí solas no pueden satisfacer esta necesidad.”
Los esfuerzos anteriores para resolver este problema utilizaban ordenadores para comparar sustancias químicas no probadas con compuestos de estructura similar cuya toxicidad ya se conocía. Sin embargo, esos métodos no podían evaluar sustancias químicas de estructura única, y el hecho de que algunas sustancias químicas de estructura similar tuvieran niveles de toxicidad muy diferentes los confundía.
Los investigadores superaron estos desafíos mediante el desarrollo de un algoritmo pionero en su género que extrae automáticamente datos de PubChem, una base de datos de los Institutos Nacionales de Salud de Estados Unidos con información sobre millones de sustancias químicas. El algoritmo compara fragmentos químicos de compuestos probados con los de compuestos no probados y utiliza múltiples métodos matemáticos para evaluar sus similitudes y diferencias con el fin de predecir la toxicidad de una sustancia química no probada.
“El algoritmo desarrollado por Daniel y el laboratorio de Zhu analiza enormes cantidades de datos y detecta relaciones entre fragmentos de compuestos de distintas clases químicas exponencialmente más rápido de lo que podría hacerlo una persona”, afirma la coautora Lauren Aleksunes, profesora asociada de la Escuela de Farmacia Ernest Mario de Rutgers y del Instituto de Ciencias de la Salud Ambiental y Ocupacional.
“Este modelo es eficiente y proporciona a las empresas y a los reguladores una herramienta para priorizar las sustancias químicas que puedan necesitar pruebas más exhaustivas en animales antes de su uso comercial.”
Para afinar el algoritmo, los investigadores partieron de 7.385 compuestos con datos de toxicidad conocidos y los compararon con los datos de las mismas sustancias químicas en PubChem. Después, probaron el algoritmo con 600 compuestos nuevos.
En varios grupos de sustancias químicas, el algoritmo tuvo una tasa de acierto de entre el 62 % y el 100 % al predecir su nivel de toxicidad oral. Además, al comparar las relaciones entre conjuntos de sustancias químicas, arrojaron luz sobre nuevos factores que pueden determinar la toxicidad de una sustancia química.
Aunque los investigadores solo indicaron al algoritmo que evaluara el nivel de toxicidad de las sustancias químicas cuando se ingieren por vía oral, concluyen que su estrategia puede extenderse a la predicción de otros tipos de toxicidad.
“Aunque la sustitución completa de las pruebas con animales todavía no es factible, este modelo da un paso importante para satisfacer las necesidades de la industria, en la que se desarrollan constantemente nuevas sustancias químicas, y para la seguridad ambiental y ecológica”, afirma el coautor Hao Zhu, profesor asociado de Química.
Otros investigadores de Rutgers, Integrated Laboratory Systems, la Escuela de Salud Pública Johns Hopkins Bloomberg y la Universidad de Constanza contribuyeron al trabajo.
