Una nueva metodología basada en machine learning (una familia de algoritmos de inteligencia artificial) permite simular los ensayos de intervención, las pruebas habituales utilizadas para estudiar los efectos de los alimentos en la salud. Mediante el uso de machine learning se han evaluado los efectos de una bebida rica en compuestos bioactivos sobre ciertos metabolitos, obteniendo resultados fiables en poco tiempo sin necesidad realizar pruebas directamente con personas.
Los ensayos de intervención son actualmente la herramienta estándar para estudiar los potenciales efectos beneficiosos de un alimento sobre la salud. Un grupo de personas consume una dieta durante un periodo de tiempo determinado, observándose los cambios en su organismo a través de diferentes técnicas, tales como el análisis de sangre u orina, o bien mediante análisis antropométricos.
No obstante, este tipo de ensayos también presentan limitaciones como, por ejemplo, la necesidad de reclutar y mantener una cohorte de voluntarios que sea representativa de la población de estudio. Además, no se pueden obtener resultados hasta que concluye la intervención, lo que suele necesitar meses, retrasando los ciclos de innovación.
Inteligencia artificial para simular los ensayos de intervención
Basados en esta premisa, desde nuestro grupo de investigación presentamos una idea innovadora: utilizar la inteligencia artificial para construir modelos matemáticos capaces de simular los ensayos que estudian los efectos de un alimento sobre la salud. Así, en lugar de realizar la intervención in vivo, se propone un algoritmo entrenado con datos reales de estudios previos que prediga, en segundos, el resultado de la intervención en nuevos consumidores.
Para ilustrar esta alternativa, utilizamos datos de un estudio de intervención con 138 voluntarios con sobrepeso, los cuales consumieron a lo largo de 60 días una bebida elaborada con maqui y cítricos rica en compuestos bioactivos (flavanonas y antocianos), con propiedades antioxidantes y antiinflamatorias. En el ensayo se analizaron muestras de sangre y orina antes y después del consumo de la bebida, midiendo la concentración de distintos metabolitos derivados de estos compuestos.
A partir de estos datos, entrenamos algoritmos de aprendizaje automático (machine learning) capaces de predecir cómo cambiarían la concentración de esos bioactivos en la sangre u orina de un voluntario tras la intervención dietética, teniendo en cuenta la composición inicial, así como otras variables adicionales como el sexo o el tipo de endulzante añadido a la bebida.
En este contexto, los modelos lograron explicar cerca del 90 % de la variabilidad en los datos (medido mediante el coeficiente de determinación R²), con errores relativamente bajos (entre un 2 % y un 10 % en promedio), utilizándose posteriormente para analizar una “cohorte virtual” de voluntarios simulados para ilustrar su aplicación en una situación real, prediciendo el efecto esperado de la intervención antes de que el producto sea ingerido por el consumidor.
A pesar de su potencial, el estudio también tiene limitaciones, tales como una alta dependencia de la disponibilidad y calidad de datos experimentales, ya que los modelos solo son tan buenos como los datos con los que se entrenan; la dificultad para generalizar los modelos, ya que no pueden aplicarse directamente a otras poblaciones o alimentos; o la alta complejidad biológica del sistema que se está simulando, quedando fuera factores como la acción de la microbiota intestinal.
Hacia la nutrición personalizada y de precisión
El estudio apoya el paradigma naciente de la nutrición personalizada o de precisión, según el cual es posible diseñar dietas adaptadas a cada persona, anticipando cómo responderá su organismo a distintos alimentos. De esta manera, profesionales de la salud o de la ciencia de los alimentos podrían utilizar este tipo de herramientas para decidir qué bebida o alimento recomendar (o elaborar) para un paciente concreto, en función de su perfil metabólico, su sexo, edad, etc.
En conclusión, el trabajo demuestra que es posible simular los efectos de una intervención nutricional mediante modelos basados en inteligencia artificial. Esto no sustituye a los ensayos clínicos, pero puede complementarlos, ayudando a diseñar estudios más eficientes y generar o comprobar hipótesis rápidamente. Este enfoque podría transformar la investigación en nutrición, haciendo que el desarrollo de alimentos saludables sea más rápido, económico y personalizado.
Referencia:
Hernández-Prieto, D., Egea, J.A., García-Viguera, C., Garre, A., 2026. Simulation of the Metabolic Response to an Interventional Study with New Healthy Beverages by Machine-Learning Regression. J. Agric. Food Chem. 74, 9683–9692. https://doi.org/10.1021/acs.jafc.5c15421
Autores del artículo divulgativo:
Diego Hernández-Prieto y Cristina García-Viguera
Laboratorio de FitoquÍmica y Alimentos Saludables (LabFAS)
Centro de Edafología y Biología Aplicada del Segura (CEBAS-CSIC)
Jose A. Egea
Departamento de Mejora Vegetal
Centro de Edafología y Biología Aplicada del Segura (CEBAS-CSIC)
Alberto Garre
Departamento de Ingeniería de Alimentos y del Equipamiento Agrícola,
Universidad Politécnica de Cartagena (UPCT)
Fuente: Scientias
Artículo bajo licencia Creative Commons – Atribución (CC BY 4.0). Este artículo puede ser reproducido íntegramente siempre y cuando vaya firmado por los autores y se acredite SCIENTIAS como fuente, incluyendo el enlace a nuestra página.