KidneyTox_v1.0 permite la predicción explicable por inteligencia artificial de la nefrotoxicidad en pequeñas moléculas

Por qué importa proteger los riñones frente a los fármacos

Muchos medicamentos que salvan vidas pueden dañar silenciosamente los riñones, a veces provocando enfermedades graves que solo se hacen visibles cuando ya es demasiado tarde. Los médicos y los desarrolladores de fármacos necesitan formas de detectar este riesgo de forma temprana, antes de que una nueva pastilla llegue a los pacientes. Este artículo describe KidneyTox_v1.0, una herramienta en línea gratuita que utiliza inteligencia artificial explicable para predecir si un fármaco de pequeña molécula es probable que dañe los riñones y que, lo que es crucial, muestra a los usuarios por qué llega a esa conclusión.

De datos dispersos a una visión de conjunto

Los investigadores comenzaron reuniendo una colección cuidadosamente seleccionada de 565 fármacos aprobados o experimentales. Aproximadamente la mitad de estos han sido reportados como causantes de daño renal en humanos, mientras que el resto no tiene toxicidad renal conocida. En lugar de tratar estos compuestos como una lista simple, el equipo trazó primero su “vecindario químico”: propiedades básicas como tamaño, peso, afinidad por la grasa frente al agua, número de anillos estructurales y cuántos enlaces en la molécula pueden plegarse y rotar. Encontraron que el conjunto abarca un rango muy amplio: desde moléculas pequeñas y altamente solubles en agua hasta estructuras grandes y flexibles con muchos anillos. Esta diversidad es importante; significa que la herramienta no se limita a un tipo estrecho de química farmacéutica.

Enseñar a un ordenador a detectar moléculas riesgosas

Usando este conjunto de datos diverso, el equipo entrenó un modelo de aprendizaje automático, un programa informático que aprende patrones a partir de ejemplos, para distinguir fármacos nefrotóxicos de otros más seguros. El modelo, basado en un método llamado random forest, examina muchos descriptores numéricos que capturan la forma de la molécula, la distribución de carga y otras características. Tras afinar el modelo y seleccionar los descriptores más informativos, el sistema clasificó correctamente alrededor del 84% de los compuestos de prueba no vistos. Para asegurarse de que no fue una casualidad, los autores probaron múltiples particiones de entrenamiento y prueba, encontrando que el modelo elegido rindió de forma consistente entre los mejores, lo que sugiere que había aprendido reglas generales en lugar de memorizar los datos.

Abrir la “caja negra” con explicaciones visuales

Una crítica común a la IA en medicina es que a menudo actúa como una caja negra: puede predecir que un fármaco es peligroso, pero no explicar por qué. Para contrarrestar esto, los autores integraron la explicabilidad directamente en KidneyTox_v1.0. Emplearon una técnica llamada SHAP, que asigna a cada descriptor una contribución positiva o negativa a la predicción final para cualquier molécula dada. En términos prácticos, los usuarios ven un diagrama de cascada donde las barras rojas empujan la predicción hacia “tóxico” y las barras azules hacia “no tóxico”. Por ejemplo, valores más altos de ciertas características relacionadas con la electronegatividad tendían a inclinar las predicciones hacia daño renal, mientras que otras características vinculadas a la flexibilidad molecular o la polarizabilidad a menudo apoyaban un perfil más seguro. Estudios de caso con fármacos conocidos como lansoprazol y ciprofloxacino, ambos asociados a problemas renales, mostraron cómo rasgos estructurales específicos activan la señal de advertencia del modelo, mientras que medicamentos relativamente más seguros presentan el patrón contrario.

Combinar razonamiento por similitud con la visión de la IA

Más allá del modelo principal, el estudio también desarrolló los llamados modelos qRASAR, que combinan descriptores de aprendizaje automático con ideas de “read‑across” usadas desde hace tiempo en toxicología. Aquí, el riesgo de un fármaco se infiere en parte por su similitud con vecinos conocidos como tóxicos o no tóxicos y por la consistencia de los datos circundantes. De forma notable, un modelo simplificado basado en solo tres características de similitud y error todavía rindió bien, logrando un equilibrio entre precisión y transparencia. Esto significa que los reguladores y los químicos médicos pueden ver no solo que un compuesto se parece a fármacos conocidos por dañar el riñón, sino también cuán fiable es esa analogía, dado el conjunto de datos de su vecindario.

Una herramienta práctica para diseñar medicamentos más seguros

Todos estos elementos se integran en KidneyTox_v1.0, una plataforma basada en navegador construida con una interfaz fácil de usar. Un químico puede dibujar una nueva molécula o pegar su código estándar (una cadena SMILES) en la herramienta y, en cuestión de momentos, recibir una predicción de “tóxico” o “no tóxico”, una evaluación de confianza basada en la similitud de la molécula con el conjunto de entrenamiento y gráficos comparativos uno a uno con su vecino conocido más cercano. Debido a que los datos y el código subyacentes se comparten abiertamente, la plataforma puede mejorarse y ampliarse a medida que surja nueva información sobre toxicidad renal, y las empresas pueden probar compuestos propietarios sin enviar estructuras a un servidor remoto para su almacenamiento.

Qué significa esto para los pacientes y los futuros fármacos

En términos claros, este trabajo demuestra que ya podemos usar IA explicable para señalar candidatos farmacológicos con mayor probabilidad de dañar los riñones, mucho antes de que lleguen a ensayos clínicos o a la farmacia. Al revelar qué características moleculares están más estrechamente vinculadas al daño renal, KidneyTox_v1.0 puede orientar a los químicos hacia decisiones de diseño más seguras: ajustar la polaridad, los sistemas de anillos o la distribución de carga para reducir el riesgo sin perder eficacia. Aunque el modelo actual se construyó sobre unos pocos centenares de compuestos y mejorará con más datos, ya representa un paso práctico hacia pruebas de seguridad más rápidas, baratas y más humanas, con el objetivo último de proteger a los pacientes de daños renales evitables.

Cita: Amin, S.A., Kar, S. & Piotto, S. KidneyTox_v1.0 enables explainable artificial intelligence prediction of nephrotoxicity in small molecules. Sci Rep 16, 5099 (2026). https://doi.org/10.1038/s41598-026-35496-4

Palabras clave: toxicidad renal, seguridad de medicamentos, inteligencia artificial, aprendizaje automático, quimioinformática