--- canonical_url: "https://aaqcenlinea.medios.digital/contenido/240/colaboraciones-cientifico-tecnicas" title: "COLABORACIONES CIENTÍFICO-TÉCNICAS" article_type: "Article" description: "¿CÓMO ESTÁN TRANSFORMANDO LOS MODELOS IN SILICO EL DESARROLLO Y LA EVALUACIÓN DE PRODUCTOS COSMÉTICOS?" main_image: "https://aaqcenlinea.medios.digital/download/multimedia.grande.9a3898804c0a70f5.Z3JhbmRlLndlYnA%3D.webp" date_published: "2026-07-08T19:37:00-03:00" date_modified: "2026-07-08T19:43:23-03:00" author_name: "AAQC EN LINEA" author_url: "https://aaqcenlinea.medios.digital/usuario/2/aaqc-en-linea" author_social_links: - "http://541124666905" category_name: "Trabajos Científicos" category_url: "https://aaqcenlinea.medios.digital/categoria/2/trabajos-cientificos" --- # COLABORACIONES CIENTÍFICO-TÉCNICAS ![Libro AAQC (7)](/download/multimedia.normal.b796a129f59cbfe8.bm9ybWFsLndlYnA%3D.webp) Rivarola V1,2, Martinez N1,2, Casal JJ1,2, Di Giusto G1,2 1Universidad de Buenos Aires, Facultad de Ciencias Médicas, Departamento de Ciencias Fisiológicas. Laboratorio de Biomembranas. Buenos Aires, Argentina. 2CONICET - Universidad de Buenos Aires. Instituto de Fisiología y Biofísica Bernardo Houssay (IFIBIO Houssay). Buenos Aires, Argentina. La industria cosmética enfrenta continuamente el desafío de desarrollar productos eficaces y garantizar su seguridad para uso humano. Desde el cambio de paradigma que siguiera a la implementación del Reglamento (CE) Nº 1223/2009 de la Unión Europea, que prohíbe las pruebas en animales tanto para productos cosméticos terminados como para ingredientes, surgió la necesidad de adoptar “Nuevas Metodologías de Abordaje (NAMs)”. Estas incluyen técnicas in vitro, in silico e in chemico diseñadas para evaluar seguridad y eficacia sin recurrir a animales. Estas metodologías no solo responden a exigencias éticas y regulatorias, sino que también ofrecen ventajas científicas, operativas y económicas. En este nuevo escenario, organismos como la OCDE, la ECHA y la FDA promueven activamente su integración en los procesos regulatorios, y fomentan su uso como parte de estrategias de evaluación de riesgo más modernas y centradas en la biología humana. Dentro de las NAMs, los enfoques in silico han cobrado especial relevancia. Se han desarrollado diversas herramientas computacionales complementarias para predecir tanto la toxicidad como la eficacia de ingredientes cosméticos (Vasiljev et al., 2025), entre ellas: - Modelos (Q)SAR (Relación Cuantitativa Estructura-Actividad): correlacionan la estructura química de los compuestos con su actividad biológica o toxicidad, utilizando modelos lineales o no lineales como Random Forest, SVM o redes neuronales artificiales. - Métodos basados en reglas: emplean conocimiento experto y reglas predefinidas para identificar alertas estructurales. Herramientas como ToxAlerts, Toxtree y OECD QSAR Toolbox permiten anticipar riesgos, y su precisión mejora cuando se combinan con otros métodos. - Lectura cruzada (Read-across): predice la toxicidad de una sustancia basándose en datos de compuestos similares. Plataformas como MuDRA o REACHAcross™ integran esta técnica con otros enfoques para aumentar su aplicabilidad. - Modelos híbridos: combinan QSAR, reglas y lectura cruzada, mejorando la precisión predictiva. Ejemplos destacados son Derek Nexus, TIMES-SS y herramientas de la OECD QSAR Toolbox. - Acoplamiento molecular (molecular docking): predice la interacción óptima entre un ingrediente activo y su diana biológica. Estos métodos ofrecen múltiples ventajas frente a los enfoques tradicionales: - Mayor relevancia fisiológica, al basarse en datos humanos o modelos biológicamente representativos. - Rapidez y rentabilidad, al eliminar la necesidad de ensayos experimentales costosos. - Eficiencia en el uso de datos existentes, lo que permite realizar cribados de alto rendimiento (high-throughput screening). Además, facilitan una evaluación integral de seguridad, incluyendo parámetros como absorción dérmica, irritación cutánea, corrosión, fototoxicidad, genotoxicidad, toxicidad reproductiva o sensibilización. Permiten calcular márgenes de seguridad sin recurrir a estudios in vivo y son clave en enfoques como la Evaluación de Riesgo de Última Generación (NGRA) (Grech et al., 2024). No obstante, los métodos in silico aún presentan limitaciones. La escasa disponibilidad de datos humanos de calidad afecta su aplicabilidad, especialmente en la predicción de potencia. Algunos modelos funcionan como “cajas negras”, son difíciles de interpretar y poco adecuados para evaluar mezclas complejas o condiciones biológicas realistas. Además, pueden estar sesgados por bases de datos no representativas y plantear desafíos éticos en torno a la privacidad. Su aceptación regulatoria también avanza lentamente, restringida por normativas desactualizadas y validaciones prolongadas (Vasiljev et al., 2025). En síntesis, los modelos in silico representan una herramienta en constante evolución en la cosmética moderna. Permiten desarrollar y evaluar productos de manera más segura, eficiente y ética, en un contexto regulatorio cada vez más orientado a eliminar la experimentación animal. La colaboración multidisciplinaria continua entre químicos cosméticos, dermatólogos, cosmetólogos, científicos y desarrolladores de Inteligencia Artificial será crucial para refinar estas tecnologías y mejorar su aplicabilidad en escenarios del mundo real. En este contexto, el Laboratorio de Biomembranas del Instituto IFIBIO Houssay (UBA-CONICET) cuenta con PharmaToxAI, una plataforma integral para la evaluación cosmética libre de animales, que combina modelos in silico e in vitro basados en células humanas. Esta plataforma utiliza algoritmos de Inteligencia Artificial, simulaciones PBPK/ADME y modelos QSAR/QSPR para ingredientes cosméticos, complementados con validación en cultivos celulares 2D y 3D. Su flujo de trabajo permite predecir toxicidad y eficacia, realizar ensayos funcionales y generar informes Go/No-Go para decisiones tempranas del desarrollo. Su aplicación permite optimizar el diseño molecular, reducir costos y tiempos de desarrollo, y avanzar hacia una cosmética más segura, ética y científicamente sólida. Referencias bibliográficas: Grech, V. S., Kefala, V., & Rallis, E. (2024). Cosmetology in the era of artificial intelligence. Cosmetics, 11(4), 135. Vasiljev, T. G., Salvioni, L., Colombo, M., Galli, P., & Greselin, F. (2025). From animal testing to in Silico models: a systematic review and practical guide to cosmetic assessment: TG Vasiljev et al. Statistical Methods & Applications, 1-43. --- *Contenido creado y optimizado para IA con [Medios CMS](https://medios.io)* — Plataforma profesional para la gestión de medios digitales y portales de noticias.