¿Cuántas veces un resultado importante se pierde por falta de “masa crítica”? En ciencia pasa algo parecido a cocinar para muy pocos: si la muestra es pequeña, el ruido tapa el sabor real y la respuesta llega borrosa.
Ahora, un hallazgo de la Universidad Goethe de Fráncfort y la Universidad Philipps de Marburgo pone una pieza clave sobre la mesa. Su nueva inteligencia artificial, llamada genESOM, promete reducir entre un 30% y un 50% el uso de animales en las fases iniciales del desarrollo de fármacos sin perder solidez científica.
La herramienta revela un mecanismo simple de entender, aunque complejo por dentro. Aprende con datos biológicos reales obtenidos en experimentos y luego genera datos sintéticos, es decir, datos artificiales que imitan patrones verdaderos, como si se hubieran sumado más pruebas sin volver a usar animales. El problema que intenta resolver no es menor.
En investigación farmacológica se usan sobre todo ratones para comprobar qué efecto tiene una sustancia. Pero para que un resultado sea fiable hace falta un tamaño de muestra suficiente. Si el grupo es pequeño, aparece el ruido estadístico (variación aleatoria que confunde) y un efecto real puede quedar oculto.
Por eso, durante años, el engranaje habitual fue sumar más animales. Eso elevó costes y sufrimiento. En España, por ejemplo, se realizaron 887.241 experimentos con animales en 2024. La cifra bajó un 22,5% respecto al año anterior, aunque esa reducción se explicó sobre todo por el fin de proyectos con peces y no por un cambio metodológico de fondo. Además, crecieron proporcionalmente los procedimientos moderados y severos.
Una ampliación virtual del experimento
La clave de genESOM puede explicarse con una imagen doméstica: funciona como un cableado de respaldo en una casa. Primero estudia cómo circula la corriente en la instalación original. Después, cuando hace falta más capacidad, no rompe paredes ni agrega una nueva línea real: simula ese recorrido extra respetando el plano inicial.
En términos técnicos, el sistema usa una red de miles de neuronas artificiales para aprender la estructura interna de los datos. Luego separa dos momentos: el aprendizaje y la generación. Ese interruptor entre fases evita un problema frecuente en muchas IA generativas, sistemas que crean contenido nuevo, que suelen amplificar no solo la señal útil, sino también el error.
Ahí aparece otra pieza central. genESOM introduce señales de error artificiales, una especie de alarma de obra, para detectar desvíos. Si la generación empieza a apartarse del patrón fiable, el sistema se detiene automáticamente. Es un freno pensado para no fabricar falsos positivos, es decir, resultados que parecen reales pero no lo son.
La prueba más clara llegó con datos de esclerosis múltiple en 26 ratones. Los investigadores redujeron el grupo a 18 y las diferencias significativas desaparecieron. Sin embargo, al aplicar genESOM, esos efectos originales reaparecieron con el mismo nivel de significancia estadística, la medida que indica si un resultado probablemente no es azar, sin generar conclusiones falsas.
Qué puede cambiar en la práctica
La oportunidad es concreta: ampliar virtualmente el tamaño de una muestra sin repetir el experimento físico. Eso puede ahorrar recursos, tiempo y sufrimiento animal en investigación preclínica exploratoria, la etapa inicial en la que se examina si una idea farmacológica merece avanzar.
Pero los propios autores advierten que no es una solución mágica. genESOM no inventa conocimiento desde cero. Necesita datos reales previos, y si ese conjunto inicial es demasiado pequeño, la IA puede amplificar el azar en lugar del efecto verdadero. En ese punto, el experimento pierde validez científica.
Justamente por eso el avance importa. No propone apagar de golpe el laboratorio, sino cambiar una parte del mecanismo. Si la ciencia logra usar mejor cada dato real, el camino hacia medicamentos más seguros también puede volverse un poco más humano.
Directora de operaciones en GptZone. IT, especializada en inteligencia artificial. Me apasiona el desarrollo de soluciones tecnológicas y disfruto compartiendo mi conocimiento a través de contenido educativo. Desde GptZone, mi enfoque está en ayudar a empresas y profesionales a integrar la IA en sus procesos de forma accesible y práctica, siempre buscando simplificar lo complejo para que cualquiera pueda aprovechar el potencial de la tecnología.
