Cómo la inteligencia artificial ayuda a predecir alergias alimentarias antes de que ocurran
Un equipo de investigadores ha desarrollado modelos de IA capaces de identificar qué proteínas de los alimentos pueden provocar reacciones alérgicas, acelerando el desarrollo de productos más seguros.
Identificar qué componentes de un alimento pueden desencadenar una alergia es un proceso lento y costoso que normalmente requiere años de pruebas de laboratorio. Según informó Hugging Face (una plataforma donde desarrolladores comparten y descargan modelos de IA ya entrenados), un equipo de investigadores ha logrado acelerar drásticamente este proceso usando modelos de lenguaje grandes o LLMs (sistemas de inteligencia artificial entrenados para entender y generar texto, similares a ChatGPT pero especializados en datos científicos).
El proyecto, desarrollado por científicos especializados en biología computacional, utiliza modelos pre-entrenados en millones de secuencias de proteínas (las moléculas que forman la estructura de los alimentos y que a menudo causan las reacciones alérgicas). Estos modelos aprenden patrones en la estructura química de las proteínas para predecir cuáles tienen mayor probabilidad de ser alergénicas, sin necesidad de realizar experimentos con animales o cultivos celulares en cada caso.
La clave está en que estos sistemas no parten de cero: los investigadores toman modelos ya entrenados en tareas generales de biología y los afinan (fine-tuning, un proceso donde se ajusta un modelo existente con datos específicos de un problema concreto) usando bases de datos de proteínas alergénicas conocidas. Esto reduce el tiempo de desarrollo de meses a días y permite analizar miles de ingredientes nuevos con una fracción del coste tradicional.
Los modelos están disponibles públicamente en Hugging Face, lo que permite que cualquier laboratorio o empresa alimentaria los use sin necesidad de infraestructura propia. Esto es especialmente relevante para pequeñas empresas o investigadores en países con menos recursos, que hasta ahora no podían costear este tipo de análisis predictivos. Los desarrolladores también han publicado los conjuntos de datos (datasets, colecciones organizadas de información usadas para entrenar modelos) que utilizaron, facilitando que otros equipos repliquen o mejoren el trabajo.
Aunque estos modelos no reemplazan las pruebas clínicas necesarias antes de lanzar un producto al mercado, sí permiten descartar rápidamente ingredientes de alto riesgo en fases tempranas de desarrollo, ahorrando tiempo y recursos. La industria alimentaria ya está explorando su uso para diseñar alternativas vegetales más seguras, especialmente ahora que productos derivados de legumbres, frutos secos y cereales antiguos ganan popularidad entre consumidores con restricciones dietéticas.
