Modelos computacionales basados en IA/ML para la predicción de toxicidad

Área de la Ciencia:

• Toxicología computacional
• Inteligencia Artificial (IA)
• Aprendizaje Automático (ML)

Sus antecedentes:

• La creciente demanda de una evaluación precisa de la toxicidad y la reducción de las pruebas en animales impulsa el desarrollo de modelos computacionales.
• Los modelos de IA/ML y los recursos en línea son cruciales para la investigación moderna en toxicología computacional.

Objetivo del estudio:

• Revisar modelos computacionales y cobertura de datos para la predicción de toxicidad y la evaluación de la seguridad química.
• Destacar las herramientas de IA/ML para predecir diversos puntos finales de toxicidad y discutir la relevancia regulatoria.

Principales métodos:

• Enfoque en modelos computacionales, descriptores moleculares, modelos de Relación Cuantitativa Estructura-Actividad (QSAR).
• Inclusión de enfoques basados en IA/ML, IA Explicable (XAI) y metodologías predictivas.
• Análisis de la cobertura de datos, accesibilidad y consideraciones regulatorias.

Principales resultados:

• Los modelos computacionales y las herramientas de IA/ML permiten la identificación, predicción y análisis de la toxicidad química en diversos puntos finales biológicos.
• Las herramientas de IA/ML son eficaces para predecir la neurotoxicidad, la hepatotoxicidad, la cardiotoxicidad, la genotoxicidad y la toxicidad ambiental.
• Se observaron limitaciones regulatorias significativas y una falta de conformidad global en la evaluación de la seguridad química.

Conclusiones:

• La adaptabilidad regulatoria es esencial debido a la rápida evolución de la IA.
• La integración de herramientas de IA/ML y marcos interoperables puede avanzar significativamente la toxicología predictiva.
• La conformidad global en las normas regulatorias es un enfoque clave para futuras evaluaciones de seguridad química.