La solución al uso de animales en pruebas de laboratorios la tiene esta IA

Una nueva inteligencia artificial desarrollada por investigadores alemanes promete cambiar la forma en que se llevan a cabo los experimentos farmacológicos en laboratorios de todo el mundo.

Se trata de genESOM, una herramienta generativa que podría reducir hasta en un 50% el número de animales utilizados en las primeras fases de desarrollo de fármacos, sin sacrificar la solidez científica de los resultados.

A través de una red de miles de neuronas artificiales, este sistema logra aprender la estructura interna de los datos biológicos reales obtenidos en experimentos con animales. Una vez entrenado, genESOM es capaz de generar nuevos datos sintéticos que siguen el mismo patrón, como si hubieran sido producidos en más experimentos, pero sin necesidad de someter a ningún ser vivo a pruebas adicionales.

Por qué los laboratorios siguen usando animales

En la investigación farmacológica, los animales —principalmente ratones— se emplean para verificar si una sustancia nueva tiene o no efectos significativos. Para obtener resultados confiables, se necesita un número suficiente de individuos por grupo experimental.

Si se usan pocos, los efectos reales pueden quedar ocultos entre las variaciones aleatorias, lo que los científicos llaman “ruido estadístico”. Por eso, la solución tradicional siempre ha sido aumentar la cantidad de animales, incrementando así el sufrimiento y los recursos necesarios.

En España, por ejemplo, en 2024 se realizaron 887.241 experimentos con animales para investigación y docencia. Aunque esta cifra es un 22,5% menor que la del año anterior, el descenso no significa que haya menos sufrimiento. Los procedimientos severos y moderados han aumentado en proporción, y la reducción total se debió principalmente al fin de ciertos proyectos con peces, no a un cambio ético o metodológico.

Cómo funciona genESOM y qué la diferencia de otras IA

Desarrollada en la Universidad Goethe de Fráncfort por el profesor Jörn Lötsch y el informático Alfred Ultsch de la Universidad Philipps de Marburgo, genESOM utiliza miles de neuronas artificiales para “aprender” la estructura interna de los datos experimentales reales.

Este aprendizaje le permite simular cómo se comportarían más animales en las mismas condiciones, generando así una ampliación virtual del tamaño de muestra sin necesidad de repetir pruebas en seres vivos.

Uno de los avances clave de genESOM es su sistema de control de errores integrado. Muchas IA generativas pueden amplificar tanto la señal relevante como el “ruido” o error, aumentando el riesgo de detectar efectos que en realidad no existen (falsos positivos).

Para evitarlo, genESOM separa de manera deliberada la fase de aprendizaje de la fase de generación de nuevos datos. Además, introduce señales de error artificiales que permiten monitorear cuándo la generación de datos empieza a desviarse y detiene el proceso automáticamente si detecta riesgo de perder validez científica.

En una prueba práctica, los investigadores utilizaron datos de un estudio preclínico sobre esclerosis múltiple realizado con 26 ratones. Redujeron deliberadamente el grupo a solo 18 animales, lo que hizo que desaparecieran todas las diferencias significativas entre los tratamientos.

Al aplicar genESOM para ampliar el conjunto de datos, los efectos originales volvieron a aparecer con el mismo nivel de significancia, y sin crear resultados falsos.

El potencial real de la IA para reducir el uso de animales

Según los autores, genESOM puede reducir entre un 30% y un 50% el número de animales necesarios en fases exploratorias de investigación preclínica, siempre manteniendo la validez científica de los resultados. Esto significa que, en estudios donde tradicionalmente se utilizan decenas o cientos de animales, la cantidad podría disminuir drásticamente sin perder calidad en las conclusiones.

En términos sencillos, genESOM permite “ampliar” los datos obtenidos en un grupo reducido de animales, simulando cómo habrían sido los resultados si se hubieran utilizado más, pero sin hacer más experimentos físicos. Así, se obtiene información robusta y representativa, reduciendo el sufrimiento y el gasto de recursos.

No obstante, los propios creadores subrayan que la herramienta no es una solución mágica. genESOM solo puede aprender a partir de datos reales obtenidos en experimentos con animales; no puede inventar información donde no la hay. Además, si el grupo original es demasiado pequeño, el uso de IA podría amplificar el azar en vez de la realidad, volviendo el experimento científicamente inútil.