La inteligencia artificial (IA) está revolucionando múltiples disciplinas científicas, ofreciendo soluciones innovadoras que podrían reducir drásticamente, o incluso eliminar, la experimentación con animales en diversas áreas de investigación. Desde la neurociencia hasta estudios evolutivos y tecnologías ómicas (como la genómica, proteómica y metabolómica), modelos de machine learning (ML) han demostrado ser herramientas extraordinariamente eficaces para analizar grandes volúmenes de datos biológicos con una precisión y rapidez sin precedentes.

Estos avances no solo están transformando la forma en que se realiza ciencia, sino que también están abriendo nuevas posibilidades para abordar cuestiones éticas relacionadas con el uso de animales en experimentos. Los avances más recientes del uso de IA se visualizan como una alternativa a la experimentación in vivo y su impacto en la ciencia biomédica.

Aplicaciones de la IA en la investigación biomédica.

Neurociencia y modelado del cerebro

Uno de los campos que más se ha beneficiado de la IA es la neurociencia. Tradicionalmente, el estudio del cerebro y sus funciones depende en gran medida de experimentos con animales, particularmente roedores y primates. Sin embargo, algunos modelos de redes neuronales profundas están permitiendo simular y analizar procesos cerebrales complejos sin la necesidad de recurrir a sujetos animales.

Por ejemplo, los modelos de DL pueden replicar la actividad neuronal y predecir respuestas a estímulos, llevando a avances significativos en la comprensión de enfermedades como el Alzheimer, Parkinson y epilepsia. Además, proyectos como el Human Brain Project usan IA para crear mapas detallados del cerebro humano, lo que reduce la dependencia de modelos animales.

Estudios evolutivos y genómicos

La IA también está transformando los estudios evolutivos y genómicos, con algoritmos de ML que permiten analizar secuencias de ADN, identificar patrones evolutivos y predecir mutaciones con una precisión que supera métodos tradicionales. Por ejemplo, herramientas como AlphaFold han revolucionado la predicción de estructuras proteicas, un área que antes requería experimentación extensiva con animales para validar hipótesis de genética y biología molecular.

Toxicología y farmacología

La IA está permitiendo el desarrollo de modelos predictivos que evalúan la seguridad de compuestos químicos sin necesidad de pruebas en animales. Por ejemplo, los algoritmos de ML pueden analizar grandes bases de datos de toxicidad y predecir los efectos de nuevas sustancias en el cuerpo humano con una precisión comparable a los métodos tradicionales. Esto ha llevado a la creación de plataformas como Tox21 para evaluar la toxicidad de miles de compuestos de manera rápida y eficiente. De manera similar, en farmacología, los modelos de IA están siendo utilizados para diseñar nuevos fármacos y predecir sus interacciones con el organismo, reduciendo la necesidad de pruebas preclínicas en animales.

Ciencias ómicas y medicina personalizada

Las ciencias ómicas, que incluyen la genómica, proteómica y metabolómica, generan cantidades masivas de datos que son ideales para el análisis mediante IA. Los algoritmos de ML pueden identificar biomarcadores de enfermedades, predecir respuestas a tratamientos y personalizar terapias basadas en el perfil genético de un paciente.

Esto no solo mejora la eficacia de los tratamientos, sino que también reduce la dependencia de modelos animales en la investigación médica. Por ejemplo, los modelos de IA están siendo utilizados para desarrollar terapias contra el cáncer basadas en datos genómicos, evitando la necesidad de experimentación en animales para validar cada paso del proceso.

Ventajas de la IA sobre la experimentación animal

Reducción del sufrimiento animal

Uno de los beneficios más significativos de la IA es su capacidad para reducir o eliminar el sufrimiento animal asociado con la investigación científica, ofreciendo una alternativa ética que respeta el bienestar de los seres vivos.

Mayor precisión y eficiencia

Los modelos de IA pueden analizar datos con una precisión y velocidad que superan los métodos tradicionales. Esto no sólo acelera el ritmo de la investigación, sino que también reduce los costos asociados con el mantenimiento de animales de laboratorio y la realización de experimentos.

Escalabilidad y reproducibilidad

A diferencia de los experimentos con animales, que pueden estar sujetos a variabilidad biológica y limitaciones logísticas, los modelos de IA son altamente escalables y reproducibles. Esto permite realizar análisis a gran escala y validar resultados de manera más confiable.

Innovación en el diseño de experimentos

La IA permite a los investigadores explorar hipótesis y escenarios que serían imposibles de estudiar en modelos animales. Por ejemplo, los modelos de simulación pueden predecir cómo una enfermedad progresará en diferentes condiciones o cómo un fármaco interactuará con múltiples sistemas biológicos simultáneamente.

Sin embargo, existen preocupaciones con respecto a los sesgos que se heredan a los sistemas de inteligencia artificial, considerando diversas creencias y valores de las diferentes sociedades. Y, así como los humanos pueden creer que el uso de animales en la ciencia para probar tratamientos asociados a estas enfermedades es el estándar correcto, también pueden hacerlos modelos de IA como se menciona en este artículo.

Avances en neurociencia: Modelos computacionales y simulación cerebral

Un ejemplo destacado es el modelo de tejido cerebral humano en 3D utilizado en la investigación de enfermedades neurodegenerativas. Esta tecnología permite investigar la patogénesis de enfermedades sin la necesidad de utilizar animales, proporcionando una alternativa ética y científicamente relevante.

Otro avance significativo es el desarrollo de modelos de aprendizaje profundo que analizan la conectividad neuronal a partir de imágenes de resonancia magnética funcional (fMRI) y electroencefalogramas (EEG). Estos modelos han permitido predecir con alta precisión el desarrollo de enfermedades neurodegenerativas como el Parkinson y el Alzheimer, reduciendo la dependencia de ensayos en animales para comprender su progresión.

Estudios evolutivos: Análisis genómico sin experimentación animal

Los algoritmos de machine learning han facilitado la identificación de patrones evolutivos mediante la comparación de datos genómicos de distintas especies. Estos modelos han sido aplicados en la investigación de enfermedades hereditarias, identificación de mutaciones relevantes y estudios de selección natural en poblaciones humanas y animales.

Ómicas: IA en la biología de sistemas

Las ciencias ómicas generan volúmenes masivos de datos que la IA puede analizar para identificar correlaciones entre genes, proteínas y metabolitos sin necesidad de experimentos in vivo. Por ejemplo, en la metabolómica, los modelos de deep learning han sido empleados para predecir la toxicidad de compuestos químicos en células humanas sin recurrir a pruebas en animales. Además, en transcriptómica, se han desarrollado algoritmos capaces de predecir la expresión génica en respuesta a diferentes estímulos ambientales.

Modelos exitosos de IA en investigación biomédica

❤ Modelos de Machine Learning para Pruebas de Toxicidad: Herramientas como ToxCast y DeepTox han permitido predecir la toxicidad de compuestos químicos en células humanas, evitando el uso de animales en estudios de seguridad.

❤ Redes Neuronales en Diagnóstico Médico: Algoritmos de deep learning han sido entrenados para detectar cáncer en imágenes de biopsias con mayor precisión que los patólogos humanos, reduciendo la necesidad de validación en modelos animales.

❤ Simulación de Ensayos Clínicos: Modelos computacionales han sido empleados para predecir la eficacia de nuevos fármacos, acelerando el proceso de desarrollo sin la necesidad de pruebas previas en animales.

❤ Órganos en Chip: Sistemas microfluídicos integrados con IA permiten simular la función de órganos humanos, facilitando el estudio de enfermedades y pruebas de fármacos sin recurrir a modelos animales.

Desde la neurociencia hasta la biología de sistemas, los modelos de IA han permitido el análisis de datos con precisión y rapidez sin comprometer la validez científica. A medida que estas tecnologías continúan desarrollándose, es fundamental fomentar su implementación en la comunidad científica, garantizando una transición ética y efectiva hacia métodos libres de crueldad animal.

Bibliografía

1. Iván Suazo Galdames. (2023). Inteligencia artificial en investigación científica. SciComm Report, 1–3. https://doi.org/10.32457/scr.v3i1.2149
2. Cardona, A. F., Ruíz Patiño, A., Jaller, E., Rodríguez, J., & Pino, L. E. (2022). Caminando a hombros de gigantes: intersección entre la genómica y la IA. Medicina, 43(4), 668–681. https://doi.org/10.56050/01205498.1653
3. Methodo. (2024). Ventajas y riesgos del uso de la inteligencia artificial. Methodo Investigación Aplicada a Las Ciencias Biológicas, 9(2). https://doi.org/10.22529/me.2024.9(2)01
4. Tait, S. (2022, July 20). Omics approaches and integrated bioinformatic analysis for the identification of biomarkers. https://www.researchgate.net/publication/362132227_Omics_approaches_and_integrated_bioinformatic_analysis_for_the_identification_of_biomarkers
5. Rodríguez-Sánchez, A. E. (2024). La inteligencia artificial y sus modelos de redes neuronales. Zenodo (CERN European Organization for Nuclear Research). https://doi.org/10.20983/cienciavital.2024.01.apl.01
6. Espindola, R. S., Ribas, I. W., Marin, L. G., Alves, L. M., Vieira, N., Henrique Garbullio Caravina, Estrela, M., Arbo, M. J., Sevá, A. C., Eduardo, C., Zulato, A. G., de, L., Lebedenco, G., Rocha, V. F., Soares, B. C., & Souza, G. (2024). Uso de inteligência artificial no diagnóstico neurológico: investigação sobre como a IA pode ser utilizada para aprimorar o diagnóstico de doenças neurológicas por meio de análise de dados de neuroimagem e eletroencefalogramas. Contribuciones a Las Ciencias Sociales, 17(9), e10144–e10144. https://doi.org/10.55905/revconv.17n.9-011
7. Abramson, J., Adler, J., Dunger, J., Evans, R., Green, T., Pritzel, A., Ronneberger, O., Willmore, L., Ballard, A. J., Bambrick, J., Bodenstein, S. W., Evans, D. A., Hung, C. C., O'Neill, M., Reiman, D., Tunyasuvunakool, K., Wu, Z., Žemgulytė, A., Arvaniti, E., Beattie, C., … Jumper, J. M. (2024). Accurate structure prediction of biomolecular interactions with AlphaFold 3. Nature, 630(8016), 493–500. https://doi.org/10.1038/s41586-024-07487-w
8. Jeong, J., & Choi, J. (2022). Artificial Intelligence-Based Toxicity Prediction of Environmental Chemicals: Future Directions for Chemical Management Applications. Environmental science & technology, 56(12), 7532–7543. https://doi.org/10.1021/acs.est.1c07413
9. Richard, A. M., Huang, R., Waidyanatha, S., Shinn, P., Collins, B. J., Thillainadarajah, I., Grulke, C. M., Williams, A. J., Lougee, R. R., Judson, R. S., Houck, K. A., Shobair, M., Yang, C., Rathman, J. F., Yasgar, A., Fitzpatrick, S. C., Simeonov, A., Thomas, R. S., Crofton, K. M., Paules, R. S., … Tice, R. R. (2021). The Tox21 10K Compound Library: Collaborative Chemistry Advancing Toxicology. Chemical research in toxicology, 34(2), 189–216. https://doi.org/10.1021/acs.chemrestox.0c00264
10. Sakamuru, S., Huang, R., & Xia, M. (2022). Use of Tox21 Screening Data to Evaluate the COVID-19 Drug Candidates for Their Potential Toxic Effects and Related Pathways. Frontiers in pharmacology, 13, 935399. https://doi.org/10.3389/fphar.2022.935399
11. Mann, M., Kumar, C., Zeng, W.-F., & Strauss, M. T. (2021). Artificial intelligence for proteomics and biomarker discovery. Cell Systems, 12(8), 759–770. https://doi.org/10.1016/j.cels.2021.06.006
12. Biswas, N., & Chakrabarti, S. (2020). Artificial Intelligence (AI)-Based Systems Biology Approaches in Multi-Omics Data Analysis of Cancer. Frontiers in Oncology, 10. https://doi.org/10.3389/fonc.2020.588221
13. ANID. (2025, January 7). La bioingeniería: alternativa a la experimentación animal - ANID. https://anid.cl/la-bioingenieria-alternativa-a-la-experimentacion-animal/
14. Sánchez-Caguana, D. F., Philco-Reinozo, M. A., Salinas-Arroba, J. M., & Pico-Lescano, J. C. (2024). Impacto de la Inteligencia Artificial en la Precisión y Eficiencia de los Sistemas Contables Modernos. Journal of Economic and Social Science Research, 4(3), 1–12. https://doi.org/10.55813/gaea/jessr/v4/n3/117
15. Carbajal-Degante, E., Myrna Hernández Gutiérrez, & Melchor Sánchez‐Mendiola. (2023). Hacia revisiones de la literatura más eficientes potenciadas por inteligencia artificial. Investigación En Educación Médica, 12(47), 111–119. https://doi.org/10.22201/fm.20075057e.2023.47.23526
16. Oliva, B., Joaquim Aguirre Plans, & Fernandez, N. (2021, May 23). Inteligencia artificial para predecir si un fármaco producirá daño hepático. The Conversation. https://theconversation.com/inteligencia-artificial-para-predecir-si-un-farmaco-producira-dano-hepatico-157439
17. César, P. (2022). La Inteligencia Artificial: beneficios, consideraciones y responsabilidades para su desarrollo. Revista CINTEX, 27(2), 10–14. https://doi.org/10.33131/24222208.402
18. Parenti, D. (2024). Desafíos éticos y regulatorios de la Inteligencia Artificial en la investigación médica. Doctor Parenti. https://doctorparenti.com/novedades/182/desafios-eticos-y-regulatorios-de-la-inteligencia-artificial-en-la-investigacion-medica/