Un marco de aprendizaje automático informado por la física para predecir y mitigar la toxicidad de nanotransportadores de doxorrubicina en células normales

Por qué importan fármacos contra el cáncer más seguros

Fármacos de quimioterapia como la doxorrubicina son armas potentes contra el cáncer, pero también pueden dañar tejidos sanos, especialmente el corazón. Investigadores han intentado encapsular estos fármacos dentro de partículas diminutas llamadas nanotransportadores para dirigir más medicamento a los tumores y menos al resto del cuerpo. Sin embargo, ajustar el tamaño, el recubrimiento y la carga de fármaco de estas partículas ha sido en gran medida un proceso lento de ensayo y error. Este estudio muestra cómo combinar la física con la inteligencia artificial puede convertir esa conjetura en una ciencia predictiva más precisa, ayudando a diseñar transportadores que ataquen el cáncer mientras preservan las células normales.

Transportadores diminutos con grandes compensaciones

La doxorrubicina ha sido durante mucho tiempo un pilar en el tratamiento de cánceres como los tumores de mama y las leucemias, pero sus beneficios conllevan efectos secundarios graves, incluido un daño cardíaco irreversible. Encapsular el fármaco en partículas de tamaño nanométrico ofrece una forma de cambiar dónde y cómo se distribuye en el cuerpo. Al ajustar características como el tamaño de la partícula, la carga superficial y cuánto fármaco se empaqueta en su interior, los científicos esperan concentrar la doxorrubicina en los tumores y reducir su exposición a órganos sanos. Sin embargo, estas decisiones de diseño interactúan de maneras complejas y poco obvias, lo que dificulta saber qué combinación mantendrá las células normales seguras sin interminables experimentos de laboratorio.

Convertir estudios dispersos en un mapa único

Los autores reunieron información detallada de 77 sistemas diferentes de nanotransportadores cargados con doxorrubicina publicados en la literatura científica. Estas formulaciones abarcaron muchos materiales—partículas poliméricas, liposomas, nanopartículas inorgánicas y más—y se probaron en una variedad de tipos de células sanas, desde células cardíacas y de vasos sanguíneos hasta células de piel y pulmón. Dado que los estudios originales emplearon distintas pruebas de toxicidad y estilos de reporte, el equipo convirtió cuidadosamente todos los resultados a una escala común de “viabilidad de células normales”, que va de 0 a 100 por ciento de supervivencia a dosis de fármaco comparables. También estandarizaron propiedades físicas clave como el tamaño de partícula, la carga superficial (potencial zeta) y medidas de cuán eficientemente el fármaco se cargó y se retuvo dentro de cada transportador.

Agregar reglas físicas al aprendizaje automático

Con este conjunto de datos armonizado, los investigadores entrenaron varios modelos de aprendizaje automático para predecir cuán tóxico sería un diseño dado de nanotransportador para células normales. Compararon enfoques comunes como bosques aleatorios, árboles potenciados por gradiente y redes neuronales estándar con un método más avanzado conocido como red neuronal informada por la física. En este marco, el modelo no solo se ajusta a datos pasados; se le dirige suavemente para que obedezca principios físicos básicos que gobiernan cómo las partículas liberan fármaco y permanecen estables en suspensión líquida. Ecuaciones que describen la liberación de fármaco impulsada por difusión, el movimiento dependiente del tamaño y la estabilidad basada en la carga se entretejieron en el proceso de aprendizaje como restricciones blandas, guiando al modelo lejos de predicciones que violarían conocimientos científicos bien establecidos.

Encontrar el punto óptimo en el diseño de partículas

El modelo informado por la física demostró ser el más preciso y fiable, capturando cerca del 90 por ciento de la variación en la supervivencia de células normales y manteniendo los errores de predicción dentro de pocos puntos porcentuales. Herramientas que explican las decisiones del modelo revelaron que dos propiedades dominan la seguridad: el tamaño de la partícula y la carga superficial. Los transportadores de tamaño moderado—aproximadamente entre 120 y 150 nanómetros de diámetro—y con una carga moderadamente negativa tendieron a ser más benignos para las células sanas. En contraste, partículas muy pequeñas o con carga intensa eran más propensas a adherirse a tejidos no deseados o a liberar su carga demasiado rápido, aumentando la toxicidad. El modelo también identificó un rango seguro para la carga de fármaco: suficiente doxorrubicina para ser eficaz, pero no tanto como para que el transportador se vuelva inestable o libere de forma abrupta el fármaco.

De la conjetura al diseño guiado

Al combinar la física con el aprendizaje basado en datos, este estudio ofrece pautas prácticas de diseño para nanotransportadores de doxorrubicina más seguros y un modelo reutilizable para otros problemas de administración de fármacos. En lugar de probar innumerables formulaciones en el laboratorio, los científicos ahora pueden usar el modelo para reducir la búsqueda a nanotransportadores que probablemente mantengan más del 90 por ciento de las células normales vivas y luego centrar los experimentos en este prometedor “punto óptimo”. Aunque el trabajo se basa principalmente en datos de cultivos celulares y todavía no puede capturar la complejidad completa de las respuestas en todo el organismo, representa un paso importante hacia el diseño racional y guiado por ordenador de tratamientos contra el cáncer que atacan con fuerza a los tumores mientras son más benignos con el resto del cuerpo.

Cita: Rahdar, A., Fathi-karkan, S. A physics-informed machine learning framework for predicting and mitigating doxorubicin nanocarrier toxicity in normal cells. Sci Rep 16, 10837 (2026). https://doi.org/10.1038/s41598-026-42209-4

Palabras clave: doxorrubicina, nanotransportadores, aprendizaje automático, toxicidad de fármacos, modelos informados por la física