¿Puede la IA salvar a los animales de laboratorio? La realidad de la "IA generativa en el descubrimiento de fármacos" que podría reducir los ratones en un 30-50%

En el campo del desarrollo de nuevos medicamentos, ha habido una pregunta inevitable durante muchos años.
"¿Es posible obtener resultados científicos confiables utilizando la menor cantidad posible de animales?"

Desde una perspectiva ética, es mejor utilizar menos animales en los experimentos. Sin embargo, desde un punto de vista científico, un número demasiado pequeño de experimentos puede ser susceptible a variaciones aleatorias. Para determinar si un candidato a medicamento realmente tiene efecto o si solo parece así por casualidad, se necesita una cantidad suficiente de datos para evaluar la seguridad y eficacia.

Ha surgido una investigación que intenta abordar este dilema utilizando IA generativa. Un equipo de investigación de la Universidad Goethe de Frankfurt, la Universidad Philipps de Marburgo y el Instituto Fraunhofer ITMP ha desarrollado una IA generativa llamada "genESOM". El objetivo es reducir el número de animales de laboratorio utilizados en la investigación preclínica, especialmente ratones, mientras se mantiene la confiabilidad de los resultados de la investigación.

Según el anuncio, genESOM podría reducir el número de animales en un 30-50% en investigaciones farmacológicas exploratorias. Esto no es solo una cuestión de eficiencia. Si se implementa, podría tener un gran impacto en los costos de desarrollo de nuevos medicamentos, la ética de la investigación, el bienestar animal y el debate sobre el uso científico de la IA.

No es que "la IA reemplace la experimentación animal", sino que "refuerza experimentos reducidos"

Lo importante de esta investigación es que genESOM no es una tecnología que reemplace completamente la experimentación animal.

La palabra "IA generativa" suele evocar la idea de una IA que crea textos o imágenes. Sin embargo, lo que genESOM genera no son textos ni imágenes, sino nuevos puntos de datos con características cercanas a los datos experimentales. Los investigadores hacen que la IA aprenda de los datos de experimentos con ratones ya obtenidos y comprenda su estructura interna. Luego, genera datos como si se hubieran obtenido de más animales, aunque en realidad no se hayan utilizado animales adicionales.

Por ejemplo, supongamos que hay un patrón de eficacia de un medicamento que normalmente se confirmaría con 26 ratones. Incluso si los datos de solo 18 ratones no tienen significancia estadística, genESOM podría aprender la estructura de esos datos y generar datos adicionales dentro de un rango adecuado para reproducir resultados de análisis cercanos al experimento original.

Esto se asemeja más a que la IA lea cuidadosamente la estructura de los resultados experimentales ya observados y complete los datos que se considerarían razonables como medidas adicionales, en lugar de "aumentar" ratones ficticios que no existen en el laboratorio.

Sin embargo, hay una advertencia importante aquí. Los datos generados por la IA se basan en lo que ha aprendido de los datos experimentales reales. Si los datos experimentales iniciales son demasiado escasos o están sesgados, la IA podría amplificar esos sesgos o ruidos aleatorios. En otras palabras, genESOM no es una "magia que hace innecesarios los experimentos", sino una tecnología que "amplía el margen para reducir el número de animales, siempre que haya suficientes datos reales".

La clave de la investigación es un sistema que "no aumente demasiado los errores"

Uno de los problemas más temidos al usar IA generativa en la investigación científica es el de los "errores plausibles".

En el caso de una IA generadora de textos, puede hablar con confianza sobre artículos o hechos inexistentes. Del mismo modo, al generar datos experimentales, existe el peligro de crear datos que, aunque parezcan naturales, no tienen significado científico real. Especialmente si se amplían no solo las señales que realmente se desean conocer en la investigación, sino también las variaciones aleatorias, una variable que no debería tener efecto podría parecer importante.

Este problema se conoce como "inflación de errores". En términos simples, es el fenómeno en el que, a medida que la IA aumenta los datos, también se amplían los errores.

La característica de genESOM es que incorpora un sistema para monitorear esta inflación de errores. El equipo de investigación separó la fase en la que la IA aprende la estructura de los datos de la fase en la que genera nuevos datos. Además, incorporaron señales de error artificiales en el proceso de generación para medir hasta qué punto se propagan esos errores.

Con este sistema, es posible tomar decisiones para detener la generación antes de que la IA genere demasiados datos y comprometa la validez científica. En otras palabras, genESOM no es solo una "IA que aumenta datos", sino también una "IA que vigila hasta dónde se pueden aumentar".

Este punto es crucial al considerar la reducción de la experimentación animal. Aunque hay un objetivo ético de reducir el número de animales, si como resultado se toman decisiones incorrectas sobre la eficacia de los medicamentos, en última instancia, se corre el riesgo de afectar los ensayos clínicos en humanos y a los pacientes. El bienestar animal y la confiabilidad científica no son mutuamente excluyentes, sino que deben coexistir.

Acercar los resultados experimentales de 18 ratones a los de 26

El equipo de investigación utilizó datos de estudios preclínicos de modelos de esclerosis múltiple realizados anteriormente para verificar la capacidad de genESOM.

En el estudio original, 26 ratones se dividieron en tres grupos de tratamiento para investigar el efecto de un medicamento experimental. El equipo de investigación redujo deliberadamente estos datos a 18 ratones, es decir, 6 por grupo, y simuló "qué pasaría si se hubiera experimentado con un número reducido de animales desde el principio".

Como resultado, con solo 18 ratones, el efecto del tratamiento observado en el estudio original desapareció. Las pruebas estadísticas no mostraron diferencias significativas, y ni siquiera el aprendizaje automático pudo distinguir bien entre los grupos de tratamiento. Este es un problema común en estudios con muestras pequeñas: aunque exista un efecto, no se puede detectar debido al pequeño número de datos.

Entonces, utilizando genESOM, se generaron datos adicionales a partir de los datos reales de 18 ratones. Como resultado, el efecto confirmado en el experimento original de 26 ratones reapareció de manera cercana al nivel de significancia original. Además, no hubo un aumento notable de falsos positivos que llevaran a juzgar erróneamente variables sin sentido como importantes.

Según el equipo de investigación, se probaron otros modelos complejos de aprendizaje profundo, pero en este caso no funcionaron tan bien como genESOM. Esto muestra que para complementar datos científicos, no basta con usar IA grandes y complejas. Los datos biomédicos a pequeña escala requieren un diseño que maneje la estructura y el error de los datos a pequeña escala.

La reducción de la experimentación animal sigue la tendencia de las "3R"

En el debate internacional sobre la experimentación animal, el concepto de las "3R" ha sido enfatizado durante mucho tiempo.
Son Replacement, Reduction y Refinement.

Replacement se refiere a la sustitución por métodos que no utilicen animales.
Reduction es la reducción del número de animales utilizados.
Refinement significa la mejora de los métodos experimentales para minimizar el sufrimiento de los animales.

genESOM está fuertemente relacionado con la tecnología de Reduction. No elimina por completo la experimentación animal, pero podría reducir el número de animales necesarios para lograr el mismo objetivo científico.

Esta posición es también realista. En los últimos años, tecnologías que sustituyen o complementan la experimentación animal, como los organoides, los chips de órganos, las simulaciones por computadora y las pruebas con células humanas, han avanzado rápidamente. Sin embargo, no es posible avanzar en todas las etapas del desarrollo de medicamentos sin animales de inmediato. En situaciones donde se evalúan interacciones complejas, como las respuestas inmunitarias, el metabolismo y los efectos en el sistema nervioso de todo el organismo, todavía se utilizan modelos animales.

Por eso, en la etapa actual, no se trata de "todo o nada", sino de tecnologías que permiten hacer "experimentos necesarios de manera más precisa y con menos frecuencia". genESOM se sitúa en ese punto intermedio realista.

Reacciones esperadas en las redes sociales: expectativas, escepticismo y ética

Las reacciones en las redes sociales a esta noticia, dado que el artículo se publicó recientemente, aún son limitadas en cuanto a comentarios públicos y difusión. En Phys.org, en el momento de la verificación, el número de comparticiones era bajo y la sección de comentarios no estaba muy activa.

Sin embargo, este tema es propenso a generar debate en las redes sociales. Esto se debe a que combina palabras clave que tocan tanto las emociones como la ciencia: "IA", "experimentación animal", "descubrimiento de fármacos" y "ética".

Primero surgirán voces de bienvenida.
"Sería maravilloso si se pueden reducir los animales de experimentación".
"Es un uso bastante positivo de la IA".
"Si contribuye a equilibrar el bienestar animal y la investigación, quiero apoyarlo".
Estas reacciones son naturales. La IA generativa a menudo recibe críticas por problemas de derechos de autor, impacto en el empleo y desinformación. En este contexto, un uso que podría reducir el sacrificio de animales es más probable que se reciba de manera positiva.

Por otro lado, también surgirán voces cautelosas.
"¿Está bien tratar los datos generados por IA como resultados experimentales?"
"¿No hay peligro de que la IA refuerce resultados convenientes?"
"¿No lo utilizarán las farmacéuticas como excusa para reducir costos?"
Estas preocupaciones también son válidas. Los datos generados por IA no son la realidad misma. Por muy hábilmente que se generen, deben distinguirse de los datos observados directamente en experimentos. En artículos de investigación y revisiones regulatorias, es necesario aclarar cómo se generaron los datos sintéticos y en qué medida se utilizaron.

Además, desde la perspectiva de quienes se oponen a la experimentación animal, podría surgir la opinión de que "una reducción del 30-50% no es suficiente". Para aquellos que consideran problemático el sufrimiento animal, la reducción es un avance, pero el objetivo final es la sustitución completa. Por otro lado, desde la perspectiva de investigadores y profesionales médicos, podría surgir la preocupación de que "si la reducción del número de animales se convierte en un objetivo en sí mismo, la evaluación de la seguridad de los medicamentos podría volverse laxa".

Lo interesante de esta noticia es que no termina simplemente en "la IA es increíble". La IA podría salvar a los animales. Sin embargo, también existe el peligro de que la IA introduzca una confianza equivocada en la ciencia. Por eso, no solo se cuestiona la tecnología en sí, sino también las reglas de operación, la transparencia, la regulación y la ética de la investigación.

¿Hasta qué punto se puede confiar en los "datos generados por IA"?

La complementación de datos mediante IA generativa ya está atrayendo atención en los campos médico y biológico. Los datos de pacientes tienen grandes restricciones de privacidad, y en enfermedades raras, el número de casos es escaso. En la investigación preclínica, tampoco es fácil crear conjuntos de datos enormes debido a razones de costo y ética.

Por lo tanto, hay una gran demanda de tecnologías que aprendan de pocos datos y generen datos auxiliares dentro de un rango estadísticamente razonable. Sin embargo, aquí se cuestiona que "parecer que los datos han aumentado" y "que el conocimiento haya aumentado" no son lo mismo.

Incluso si el número de puntos de datos aumenta de 100 a 200, si esos datos adicionales no reflejan correctamente los fenómenos del mundo real, la confiabilidad de la investigación no aumentará. Más bien, solo aumentará la precisión aparente, lo que podría llevar a conclusiones erróneas con confianza.

El punto en el que se evalúa genESOM es que el equipo de investigación aborda directamente este peligro. Los sistemas de monitoreo de errores, criterios de detención y supresión de falsos positivos son un diseño consciente de las debilidades del uso de datos sintéticos. Al introducir IA en la ciencia, a veces es más importante "no crear en exceso" que "poder crear".

Impacto en la investigación farmacéutica

Si tecnologías como genESOM se utilizan ampliamente, el diseño de la investigación preclínica podría cambiar.

En primer lugar, se podría reducir el número de animales necesarios en las etapas iniciales de la investigación exploratoria. Cuando hay muchos candidatos a fármacos, no es realista probar todos los candidatos en experimentos con animales a gran escala. Si se pueden complementar los datos experimentales limitados con IA para seleccionar los candidatos prometedores, la eficiencia de la investigación aumentará.

En segundo lugar, el valor de los datos experimentales acumulados en el pasado aumentará. Dado que genESOM aprende de datos reales, los datos pasados de alta calidad se volverán importantes. Las instituciones de investigación y las empresas tendrán más incentivos para organizar y gestionar los datos de manera que sean reutilizables.

En tercer lugar, la relación con las autoridades reguladoras será crucial. ¿Hasta qué punto se pueden utilizar los datos generados por IA en la evaluación preclínica? ¿En qué etapas se tratarán como material auxiliar y en qué etapas se necesitará confirmación experimental? En el desarrollo de medicamentos, no solo la validez científica, sino también la aceptabilidad regulatoria, será clave para la implementación práctica.

Especialmente en la decisión de avanzar a ensayos clínicos en humanos, es difícil imaginar confiar únicamente en datos generados por IA. Más bien, es probable que se utilice en áreas como la optimización de planes experimentales, análisis exploratorios y la priorización de experimentos adicionales.

Tres puntos que no deben malinterpretarse

Al leer esta noticia, hay tres puntos que son propensos a malentendidos.

El primero es el malentendido de que "la IA hará innecesaria la experimentación animal". La tecnología actual no crea resultados sin datos reales. Más bien, se basa en la existencia de datos obtenidos realmente.

El segundo es el malentendido de que "aumentar los datos siempre mejorará la precisión". Si se generan demasiados datos, se amplifican los ruidos aleatorios y los errores, lo que podría dar lugar a resultados sin significado científico. El valor de genESOM radica en su diseño para frenar este problema.

El tercero es la simplificación de que "la reducción del número de animales y la evaluación de la seguridad están en conflicto". Una IA auxiliar diseñada adecuadamente podría extraer más conocimientos de experimentos reducidos y reducir experimentos innecesarios o duplicados. Sin embargo, para ello, la transparencia y la verificación son esenciales.

Los criterios de evaluación de la IA generativa están comenzando a cambiar##