Serie de webinars Eco-NAMs: Enfoques in silico para reemplazar las pruebas de toxicidad aguda en peces

Antecedentes
La serie de seminarios web Eco-NAMs comparte las investigaciones más recientes que utilizan enfoques in silico para reemplazar las pruebas de toxicidad aguda en peces. A medida que aumenta la presión regulatoria sobre las pruebas con animales, los métodos de evaluación sin animales están surgiendo rápidamente.
Colaboración Academia-Industria
Anna Lombardo, del Istituto di Ricerche Farmacologiche ‘Mario Negri’, y Paul Thomas, de KREATiS, presentaron conjuntamente. La asociación estratégica destaca cómo la academia y la industria colaboran para mejorar la precisión de los modelos y acelerar los procesos de validación.
Importancia Técnica
El modelado in silico predice la toxicidad química mediante simulaciones computacionales. Al generar datos en un entorno virtual en lugar de realizar experimentos con peces vivos, puede reducir sustancialmente el coste y el tiempo.
Impacto en la Industria
Los fabricantes de productos químicos y las empresas farmacéuticas pueden reducir los costes de cumplimiento regulatorio y acelerar los plazos de lanzamiento de productos. Los reguladores también pueden ampliar los criterios de evaluación de riesgos basándose en datos digitales fiables.
Perspectiva de Futuro
Los enfoques in silico se encuentran actualmente en fase piloto, pero a medida que progresen la acumulación de datos y la validación de modelos, se espera que la estandarización se acelere. Las partes interesadas deben considerar la posible inclusión de estos métodos en las futuras directrices regulatorias internacionales.
Los modelos de predicción de toxicidad in silico reducen drásticamente los costes de las pruebas con animales y aceleran las respuestas regulatorias, mejorando así el retorno de la inversión. Esta tecnología ofrece abundantes oportunidades de crecimiento para quienes buscan empleo y profesionales que deseen iniciarse en el campo de la evaluación de toxicología digital.
Fuente: FDA Drug Approvals (rss)