Crean el mayor banco de datos de toxicidad sin ensayos en animales

<p>Los científicos realizan test de toxicidad <em>in vivo</em> usando modelos animales que proporcionan una referencia química segura para los humanos. Pero un nuevo estudio propone una alternativa. / Fotolia</p>

agenciasinc.es.- Miles de elementos químicos a los que se exponen los humanos no presentan la información adecuada para predecir sus posibles efectos tóxicos. Para comprobar cómo afectan al organismo, los investigadores realizan en general test de toxicidad in vivo usando modelos animales que proporcionan una referencia química segura para los humanos.

Sin embargo, según un informe de 2004 de la Food and Drug Administration en EE UU, el 92% de los nuevos fármacos que pasan los experimentos de animales fracasan en los ensayos clínicos con humanos debido a la falta de efecto o a una toxicidad inesperada. En estudios más recientes se demostraba también que los datos obtenidos en ensayos con animales solo predicen en la mitad de los casos resultados en humanos.

El estudio, publicado hoy en Nature Communications, señala además que “estos métodos son caros y de bajo rendimiento”. Pero el principal problema reside en que, en muchos casos, es difícil extrapolar los resultados de los experimentos realizados en animales a los efectos que podrían producirse en la salud de los humanos al tratarse de especies diferentes.

Por esta razón, científicos de los Institutos Nacionales de Salud (EE UU), junto a otros centros oficiales, demuestran la efectividad del proyecto Tox21, un método basado en células (humanas y animales) que predice la toxicidad de los compuestos químicos en humanos y animales. El proyecto permite así identificar las firmas químicas de las estructuras y la actividad en pruebas in vitro que podrían servir como sustitutos de predicción de la toxicidad in vivo.

Para ello, los investigadores, liderados por Ruili Huang, del National Center for Advancing Translational Science, probaron más de 10.000 elementos químicos con un objetivo: desarrollar mejores métodos para demostrar la toxicidad de compuestos como pesticidas, sustancias industriales, aditivos alimentarios y fármacos.

El equipo de científicos probó la actividad de las sustancias químicas en 15 concentraciones diferentes que interactuaron en 30 ensayos, incluyendo receptores nucleares y respuestas de estrés celulares en células humanas. A partir de ahí, los autores generaron 50 millones de datos, que combinaron con información sobre la estructura de los compuestos para crear modelos de toxicidad que podrían emplearse tanto para animales como para humanos.

Una tecnología en auge

Los resultados obtenidos no solo demuestran la fiabilidad y relevancia de esta técnica sino que confirman que los ensayos in vitro predicen los efectos de la toxicidad en humanos (en ensayos con células humanas) mejor que en animales (con células animales), aunque son efectivos en ambos. Para llegar a esta afirmación, los científicos compararon los datos obtenidos gracias a su método con los que se consiguieron en experimentos con animales.

En la actualidad, estas técnicas de estudio de alto rendimiento son usadas de forma rutinaria junto a métodos computacionales e información tecnológica para probar cómo los químicos interactúan con los sistemas biológicos, in vitro e in vivo. Según comentan los científicos en el estudio, “se están haciendo progresos para entender los patrones de respuesta en los genes y las vías inducidas por algunos químicos o algunas clases de sustancias que podrían predecir resultados adversos en la salud humana”.

Los investigadores del proyecto Tox21 –que ha generado la mayor serie de datos de alta calidad in vitro conocida hasta la fecha– indican que aún deben realizarse más pruebas. Pero los métodos basados en células pueden ser usados en pruebas toxicológicas y también pueden ayudar a priorizar qué compuestos seleccionar para pruebas más en profundidad.

Referencia bibliográfica:

Ruili Huang et al. “Modelling the Tox21 10 K chemical profiles for in vivo toxicity prediction and mechanism characterization” Nature Communications 26 de enero de 2016 10.1038/ncomms10425

Deja un comentario