Un equipo de investigadores de Empa (Laboratorios Federales Suizos para la Ciencia y Tecnología de Materiales) desarrolló un innovador modelo computacional de ratón asistido por inteligencia artificial capaz de predecir cómo se distribuyen diferentes nanopartículas dentro del organismo. La herramienta representa un importante avance para la investigación biomédica, ya que podría disminuir significativamente la necesidad de realizar estudios in vivo durante las primeras etapas del desarrollo de nuevas terapias.

El modelo utiliza técnicas de aprendizaje automático para estimar el comportamiento de nanopartículas según características como su tamaño, composición, recubrimiento y carga superficial. A partir de esta información, puede calcular en qué órganos —como hígado, riñones, pulmones o bazo— se acumularán estos materiales una vez administrados.

Un paso hacia la reducción de la experimentación animal

Hasta ahora, la evaluación de nuevos nanomateriales requería numerosos estudios en ratones para determinar su biodistribución y posibles efectos adversos. Estos ensayos, además de demandar tiempo y recursos, implican el uso de animales de laboratorio.

La nueva plataforma propone una alternativa basada en un modelo fisiológicamente fundamentado (PBPK, por sus siglas en inglés) entrenado con datos obtenidos de 18 estudios publicados y revisados por pares. A diferencia de los modelos tradicionales, que suelen calibrarse para una única sustancia, esta herramienta puede adaptar automáticamente sus parámetros a diferentes nanopartículas mediante algoritmos de aprendizaje automático.

Según la investigadora Jimeng Wu, autora principal del desarrollo, este sistema permite seleccionar virtualmente las formulaciones más prometedoras antes de sintetizarlas y evaluarlas experimentalmente, optimizando así el proceso de investigación.

Apoyo a la estrategia "Safe and Sustainable by Design"

Los investigadores destacan que la herramienta se alinea con el concepto Safe and Sustainable by Design (SSbD), una estrategia que busca incorporar criterios de seguridad y sostenibilidad desde las primeras fases del desarrollo tecnológico.

Además de reducir costos y tiempos de investigación, el modelo podría contribuir a minimizar el número de animales necesarios para la evaluación inicial de nuevos nanomateriales, favoreciendo enfoques más éticos y eficientes en investigación biomédica.

No obstante, los autores reconocen que el modelo aún presenta limitaciones. Actualmente fue entrenado con un conjunto relativamente reducido de datos, debido a que muchas publicaciones científicas no describen con suficiente detalle las propiedades fisicoquímicas de las nanopartículas utilizadas. Incrementar la disponibilidad de datos de alta calidad permitirá mejorar la precisión de sus predicciones.

Hacia modelos virtuales humanos

El siguiente objetivo del equipo consiste en trasladar esta estrategia a modelos computacionales humanos. La idea es desarrollar un sistema capaz de simular la distribución de nanopartículas en el organismo humano e incluso estudiar fenómenos complejos, como el paso de estas partículas a través de la barrera hematoencefálica.

Este tipo de herramientas in silico podría acelerar el desarrollo de nanomedicinas dirigidas, facilitar la selección de candidatos terapéuticos y continuar reduciendo la dependencia de modelos animales durante las fases preclínicas de investigación.

La combinación de inteligencia artificial, modelado fisiológico y datos experimentales representa un ejemplo del creciente potencial de las tecnologías digitales para complementar los métodos tradicionales de investigación y avanzar hacia enfoques más alineados con los principios de Reemplazo, Reducción y Refinamiento (3Rs).

Fuente: Gobierno Federal de Suiza – Empa. Fewer animal experiments thanks to virtual mouse: AI-supported in silico mouse model for biomedical research. Disponible en: https://www.admin.ch/en/newnsb/V_wdJF1O2K9_qCZ2ETZSU

Artículo científico relacionado: Wu J., Wick P., Nowack B. Data-Driven Prediction of Nanoparticle Biodistribution from Physicochemical Descriptors. ACS Nano (2025). DOI: https://doi.org/10.1021/acsnano.5c03040