El uso de animales para probar la toxicidad de productos químicos puede que algún día quede obsoleto gracias a un bajo costo, Algoritmo de alta velocidad desarrollado por investigadores de Rutgers y otras universidades.

Las pruebas de toxicidad, que determinan la cantidad de exposición a una sustancia química que no es segura para los seres humanos, son vitales para la seguridad de millones de trabajadores en diversas industrias. Pero de los 85, 000 compuestos utilizados en productos de consumo, la mayoría no se ha sometido a pruebas exhaustivas de seguridad. Pruebas en animales, además de sus preocupaciones éticas, puede ser demasiado costoso y lento para satisfacer esta necesidad, según el estudio publicado en Perspectivas de salud ambiental .

"Hay una urgencia, necesidad mundial de una forma rentable y rápida de probar la toxicidad de los productos químicos, con el fin de garantizar la seguridad de las personas que trabajan con ellos y de los entornos en los que se utilizan, "dijo el investigador principal Daniel Russo, un candidato a doctorado en el Centro de Biología Computacional e Integrativa de la Universidad de Rutgers-Camden. "La experimentación con animales por sí sola no puede satisfacer esta necesidad".

Los esfuerzos anteriores para resolver este problema utilizaron computadoras para comparar productos químicos no probados con compuestos estructuralmente similares cuya toxicidad ya se conoce. Pero esos métodos no pudieron evaluar sustancias químicas estructuralmente únicas, y se vieron confundidos por el hecho de que algunas sustancias químicas estructuralmente similares tienen niveles de toxicidad muy diferentes.

El grupo liderado por Rutgers superó estos desafíos desarrollando un algoritmo único en su tipo que extrae automáticamente datos de PubChem. una base de datos de los Institutos Nacionales de Salud 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 Zhu extrae enormes cantidades de datos, y discierne relaciones entre fragmentos de compuestos de diferentes clases químicas, exponencialmente más rápido de lo que podría hacerlo un humano, "dijo la coautora Lauren Aleksunes, profesor asociado en la Facultad de Farmacia Ernest Mario de Rutgers y en el Instituto de Ciencias de la Salud Ambiental y Ocupacional de Rutgers. "Este modelo es eficiente y proporciona a las empresas y reguladores una herramienta para priorizar los productos químicos que pueden necesitar pruebas más completas en animales antes de su uso comercial".

Para ajustar el algoritmo, los investigadores comenzaron con 7, 385 compuestos para los que se conocen datos de toxicidad, y lo comparó con datos sobre los mismos productos químicos en PubChem. Luego probaron el algoritmo con 600 compuestos nuevos. Para varios grupos de productos químicos, el algoritmo dirigido por Rutgers tuvo una tasa de éxito del 62 al 100 por ciento en la predicción de su nivel de toxicidad oral. Y al comparar las relaciones entre conjuntos de productos químicos, arrojan luz sobre nuevos factores que pueden determinar la toxicidad de una sustancia química.

Aunque el algoritmo estaba dirigido solo a evaluar el nivel de toxicidad de los productos químicos cuando se consumen por vía oral, los investigadores dirigidos por Rutgers concluyen que su estrategia puede extenderse para predecir otros tipos de toxicidad.

"Si bien la sustitución completa de la experimentación con animales todavía no es factible, este modelo da un paso importante hacia la satisfacción de las necesidades de la industria, en el que se desarrollan constantemente nuevos productos químicos, y por la seguridad ambiental y ecológica, "dijo el autor correspondiente Hao Zhu, profesor asociado de química en Rutgers-Camden y en el Instituto de Ciencias de la Salud Ambiental y Ocupacional de Rutgers.