En la actualidad, son varias las normativas que se están implementando a nivel mundial con la finalidad de regular el uso de los distintos productos químicos en el mercado. Dentro del marco de la Unión Europea hay que destacar la normativa REACH (para el registro, evaluación, autorización y restricción de compuestos químicos), el reglamento BPR (que regula la comercialización y el uso de biocidas que se utilizan para la protección de personas y animales como materiales o artículos contra organismos nocivos, como plagas o bacterias) así como el Reglamento del Parlamento Europeo (CE) No. 1107/2009 que establece las normas y procedimientos para la comercialización de productos fitosanitarios, incluidos los bioplaguicidas, en el mercado de la UE. Además de estos, también existen otros reglamentos o normativas para otro tipo de compuestos químicos como por ejemplo los cosméticos o los bioestimulantes. A pesar de la importancia y el impacto positivo que aportan los distintos reglamentos para el registro de compuestos químicos, la aplicación de las distintas normativas ha dado lugar a una serie de limitaciones para la industria tales como el gran esfuerzo económico por parte de las empresas debido a la cantidad de ensayos experimentales a llevar a cabo, así como el número de horas de trabajo administrativo requerido y el problema ético que representa el gran número de ensayos con animales de experimentación. Es por ello, que dentro de las distintas normativas existe la necesidad de aplicar el principio de las 3Rs: reducción, remplazo y refinamiento de los ensayos con animales. El desarrollo de nuevos métodos alternativos, así como la utilización de los ya existentes, se considera una de las principales herramientas para la aplicación del principio de las 3Rs. Estos incluyen los métodos in silico, los ensayos metodologías in vitro, los basados en toxicogenómica, así como otras metodologías relevantes. Los métodos in silico consisten en simulaciones y modelos estadísticos por ordenador utilizados para analizar, visualizar y/o predecir la toxicidad de los compuestos químicos. El desarrollo y aplicación de los modelos QSAR es la principal metodología in silico utilizada en el marco de las normativas que regulan los productos químicos. Esta metodología está basada en el desarrollo de modelos matemáticos capaces de predecir propiedades fisicoquímicas, químicas, biológicas o de distribución dentro del medioambiente de compuestos químicos basándose en el conocimiento de la estructura química. El modelo matemático deriva de un conjunto de compuestos químicos para el cual se conoce el valor experimental de una propiedad determinada. Para estos compuestos, se realiza el cálculo de los llamados descriptores moleculares y el conjunto de compuestos se suele normalmente dividir en un grupo de entrenamiento (70 % - 80 % del total) y otro de validación. El modelo obtenido mediante el grupo de entrenamiento codifica la relación entre los descriptores y la actividad a predecir y su capacidad predictiva es posteriormente evaluada mediante el conjunto de validación. Finalmente, los descriptores son calculados para el compuesto a evaluar y son utilizados por el modelo para realizar una predicción sobre el perfil químico/biológico de este. De esta forma, podemos tratar de conocer de una propiedad sin la necesidad de realizar el ensayo experimental. Los modelos QSAR han de ser desarrollados cumpliendo los principios de la OECD, una serie de condiciones para que dichos modelos sean considerado válidos y de esta forma, puedan ser aceptados para ser aplicados. Estos principios son: un parámetro definido, un algoritmo inequívoco, un domino de aplicabilidad bien definido, unas medidas apropiadas de bondad de ajuste, robustez y predictividad y una interpretación mecanicista cuando sea posible. Dentro de los parámetros solicitados dentro de las distintas normativas que se han desarrollado tanto a nivel europeo como incluso mundial para el registro de compuestos químicos, son de gran importancia aquellos que permiten la evaluación del impacto ecotoxicológico, es decir que afectan al medio ambiente (e indirectamente a la salud humana). Esta evaluación se consigue mediante la comprobación de los posibles efectos toxicológicos de las sustancias en el medio ambiente, el monitoreo de la presencia de sustancias tóxicas en los ambientes, los efectos de las toxinas en los componentes bióticos y abióticos de los ecosistemas, así como el metabolismo y el destino biológico y ambiental de las toxinas. Los principales objetivos son: i) obtener datos para la evaluación de riesgos y la gestión ambiental ii) cumplir con los requisitos legales para el desarrollo y liberación de nuevos productos químicos en el medio ambiente y, iii) desarrollar principios empíricos o teóricos para mejorar el conocimiento del comportamiento y los efectos de los químicos en los sistemas vivos. Son varios los modelos QSAR que han sido desarrollados hasta la fecha para la predicción de propiedades ecotoxicológicas. Los primeros modelos se desarrollaron con conjuntos homogéneos de compuestos químicos, a menudo de una sola clase química o compuestos que compartían un modo de acción común. Posteriormente, gracias a los avances en los sistemas informáticos y la disponibilidad de amplios datos experimentales, la investigación se centró también en el análisis de grandes conjuntos de datos heterogéneos, donde diferentes clases químicas implican, en principio, diferentes modos de acción. Actualmente, existen modelos desarrollados para la gran cantidad de parámetros ecotoxicológicos requeridos en los distintos reglamentos. Sin embargo, la fiabilidad de la gran mayoría de modelos QSAR para parámetros ecotoxicológicos disponibles actualmente es baja debido al no cumplimiento de los principios OECD. Por lo tanto, el objetivo de este proyecto se centra en el desarrollo de nuevos modelos QSAR para cuatro parámetros ecotoxicológicos: la toxicidad acuática aguda en D. magna, la inhibición del crecimiento en algas, la inhibición de la respiración en lodos activados y la toxicidad a corto plazo en lombrices. Estos nuevos modelos QSAR suponen una mejora sustancial de los modelos ya existentes ya que reducen las limitaciones que estos presentan cumpliendo con los parámetros OECD arriba mencionados. Además de ello, los modelos se han desarrollado de forma específica para dos familias distintas de compuestos químicos: los biocidas y los fitosanitarios. Gracias a ello, permiten predecir con una mayor confianza los parámetros ecotoxicológicos de compuestos de las mismas familias para los que no se conoce la actividad a predecir y permite que sean aplicados de forma específica para las normativas en biocidas y fitosanitarios. Para el desarrollo de los modelos se utilizaron distintas bases de datos que recogen información ecotoxicológica experimental. En lo que a los modelos específicos para biocidas respecta, para el modelo de inhibición del crecimiento en algas se utilizó la base de datos del ministerio de medio ambiente de Japón, mientras que para el modelo en lodos se utilizó la base de datos COMBASE. Este conjunto de datos se construyó en el marco del proyecto COMBASE mediante la recopilación de la información disponible de los biocidas existentes, considerando tanto las sustancias activas como sus metabolitos. Esta base de datos se implementó recopilando datos de toxicidad para sustancias biocidas en organismos de los compartimentos de plantas de tratamiento de agua dulce/marina y aguas residuales de diferentes bases de datos ya existentes. Por otra parte, para el desarrollo de los modelos para fitosanitarios en Daphnia y lombriz, se utilizó la base de datos OpenFoodTox de la EFSA. Todos los datos recopilados de las bases de datos fueron tratados mediante el mismo procedimiento antes de desarrollar los modelos para eliminar los distintos errores en las estructuras químicas y en la información biológica recopilada. Para ello, se chequearon todas aquellas moléculas con información incompleta de datos estructurales, y se descartaron las estructuras con ausencia de datos biológicos. Además, se comprobó también que los identificadores de las distintas estructuras químicas coincidieran. A continuación, y una vez recopilados los datos, se llevó a cabo la corrección de los errores estructurales, así como la supresión de las estructuras químicas que no pueden ser utilizadas para el desarrollo de los modelos QSAR como los compuestos inorgánicos, las sales y/o las mezclas. Seguidamente se procedió con la normalización de las estructuras químicas en representaciones canónicas para poder facilitar la identificación de compuestos duplicados dentro de la base de datos, así como facilitar la corrección de otros problemas estructurales como por ejemplo la presencia de átomos superpuestos, valencias o longitudes de enlace no válidas, etc. Finalmente, se verificaron también los datos biológicos para confirmar la calidad de la información extraída. Una vez tratados los datos se calcularon los descriptores mediante la utilización de un programa específico desarrollado por la empresa ProtoQSAR. Este programa calcula alrededor de 4,500 descriptores pertenecientes a 15 categorías diferentes incluidos en de dos softwares de código abierto para Python: RDKit (https://www.rdkit.org) y Mordred (https://github.com/mordred-descriptor/mordred). A posteriori se eliminaron las variables constantes, las variables cerca de ser constantes y las variables correlacionadas por encima de 0.95. Al mismo tiempo, se procedió con el desarrollo de un “espacio químico de biocidas” que resultara en unos parámetros capaces de discriminar entre compuestos con características propias de biocidas y otros que no. Para ello, se compararon los descriptores calculados para los compuestos dentro de la base de datos de biocidas COMBASE y una base de datos con compuestos químicos de varias clases, Physprop. Una vez obtenidos dichos parámetros, se procedió con el desarrollo del modelo LDA para la inhibición de la respiración en lodos activados. Los filtros biocidas se aplicaron a la base de datos construida y, finalmente, se seleccionaron 94 compuestos con características biocidas. Con ellos, se desarrolló un modelo binario (tóxico/no tóxico) en el que un compuesto se considera tóxico cuando la EC50 es < 100 mg/L. El conjunto de datos se dividió aleatoriamente en conjunto de entrenamiento (64 %) y conjunto de validación (36 %) y se utilizó el método BT para el desarrollo del modelo de clasificación, mientras que las variables dentro del modelo fueron seleccionadas mediante un análisis de sensibilidad. Una vez desarrollado el modelo cualitativo, se desarrolló un modelo cuantitativo mediante MLR y la selección de variables paso a paso hacia a delante (“forward stepwise” en el inglés), utilizando los compuestos de los que se conocía un valor preciso de EC50 (todos ellos pertenecientes al grupo de sustancias químicas “tóxicas” con EC50 < 100 mg/L). Posteriormente se llevó a cabo una validación cruzada dejando un compuesto fuera (“leave-one-out cross-validation” en el inglés) para verificar la robustez del modelo. Para el desarrollo del modelo para biocidas en algas aplicaron los filtros biocidas a los 650 compuestos de la base de datos del ministerio de Japón y se seleccionaron 361 compuestos con características biocidas. Partiendo de este conjunto, se desarrolló un modelo binario (tóxico/no tóxico) mediante el método ANN. Un compuesto se consideró tóxico cuando la EC50 para la prueba de inhibición del crecimiento de algas fue < 100 mg/L. Todo el conjunto de datos se dividió aleatoriamente en un conjunto de entrenamiento (254), un conjunto de validación (54) y un conjunto de validación externa (53). Las variables en el modelo fueron seleccionadas usando un análisis de sensibilidad. Seguidamente, se desarrolló un modelo cuantitativo mediante SVR utilizando todos los compuestos del conjunto de datos y utilizando la clasificación realizada previamente por el modelo cualitativo como variable. Una vez calculadas las variables, se convirtió el EC50 a LogEC50 y el conjunto de datos se dividió aleatoriamente en un conjunto de entrenamiento (253) y un conjunto de validación (108). Las variables en el modelo fueron seleccionadas utilizando un análisis paso a paso hacia adelante. Además de los modelos para biocidas, se desarrollaron también dos modelos QSAR para fitosanitarios. Para el desarrollo del modelo en Daphnia, se utilizó la base de datos OpenFoodTox de la EFSA. Mediante la base de datos de 284 compuestos fitosanitarios y metabolitos de fitosanitarios, se desarrolló un modelo cualitativo considerando un compuesto tóxico cuando la EC50 para la toxicidad aguda en Daphnia era < 100 mg/L. El grupo de entrenamiento (75 %) y el conjunto de validación (25 %) se obtuvieron siguiendo un algoritmo basado en la selección aleatoria de instancias mientras que para la selección de variables se utilizaron los GAs y el RF para el desarrollo del modelo cualitativo junto con una validación cruzada de tipo “10-fold”. Para el modelo QSAR en lombrices, se utilizaron los datos de toxicidad de 220 fitosanitarios presentes en la base de datos OpenFoodTox de la EFSA para desarrollar un modelo cualitativo. En él, los compuestos se consideraron tóxicos si tenían una EC50 < 1000 mg/L. Los compuestos se dividieron entre un conjunto de entrenamiento y otro de validación y mediante la utilización de GAs con la misma configuración que para el modelo de Daphnia, se aplicaron al grupo de entrenamiento para conocer las mejores variables. El modelo se desarrolló mediante un RF y se realizó una validación cruzada de 10 pliegues. Una vez desarrollados los modelos, se llevó a cabo una validación experimental en el laboratorio. Para la validación de los modelos de biocidas, se seleccionaron compuestos químicos con características biocidas de la base de datos COMBASE mientras que para validación de los modelos QSAR en fitosanitarios, se seleccionaron compuestos fitosanitarios presentes en las bases de datos DSSTox y PPDB. Para ello se consideraron tres criterios: i) datos in vivo limitados para los niveles tróficos de interés; ii) su idoneidad para ser abordados por métodos in silico y iii) diferencias estructurales entre los compuestos químicos dentro de una misma familia. Los compuestos seleccionados, se evaluaron en el laboratorio de acuerdo a las guías OECD 209, OECD201, OECD 202 y OECD 207 respectivamente. Los distintos parámetros estadísticos incluyendo la precisión la sensibilidad y la especificidad, fueron evaluadas para los modelos QSAR. En el caso del modelo cualitativo para lodos, el conjunto de entrenamiento alcanzó una precisión del 87.79 %, una especificidad del 97.29 % y una sensibilidad del 78.26 % mientras que el set de validación alcanzó una precisión del 80.30% con una especificidad del 77.27 % y una sensibilidad del 78.26 %. Una vez desarrollado este modelo y utilizando los 35 compuestos biocidas considerados tóxicos, se desarrolló un modelo cuantitativo mediante MLR. Posteriormente se realizó una validación cruzada dejando uno fuera y una validación cruzada de 5 pliegues. El coeficiente de determinación R2 fue 0.71 mientras que el valor del Q2 LOO y del Q2 5fold-CV fue 0.69 demostrando así una buena capacidad de predicción. Los parámetros estadísticos del grupo de entrenamiento para el modelo cualitativo en algas lograron una precisión del 84.39 %, una especificidad del 79.43 % y una sensibilidad del 81.50 % mientras que el conjunto de validación alcanzó una precisión del 78.12 %, una especificidad del 73.07 % y una sensibilidad del 89.28 %. Finalmente, el conjunto de validación externa resultó en una precisión del 85.12 %, una especificidad del 73.68 % y una sensibilidad del 85.29 %. Seguidamente, utilizando todos los compuestos del conjunto de datos y utilizando como variable de clasificación la predicción realizada para el modelo cualitativo se desarrolló un modelo cuantitativo utilizando SVM. El modelo dio buenas estadísticas para el grupo de entrenamiento y de validación con un R2 de 0.75 y 0.64, respectivamente. En cuanto a los modelos para fitosanitarios y al igual que para los anteriores modelos cualitativos, también se evaluó la precisión, la sensibilidad y la especificidad. Para el modelo de Daphnia se obtuvo una sensibilidad del 93 %, una especificidad del 100 % y una precisión del 100 % para el grupo de entrenamiento mientras que se obtuvo una sensibilidad del 75 %, una especificidad del 86 % y una precisión del 95 % para el grupo de validación. Por último, las estadísticas para el modelo en lombriz fueron de un 93 %, una especificidad del 91 % y una precisión del 90 % para el grupo de entrenamiento mientras que se obtuvo una sensibilidad del 60 %, una especificidad del 72 % y una precisión del 65 % para el grupo de validación. Seguidamente, se procedió con la predicción de un conjunto de compuestos que posteriormente fueron evaluados en el laboratorio. El modelo QSAR cualitativo en lodos demostró un buen desempeño cuando se comparan los compuestos predichos como los no tóxicos en el ensayo experimental. El modelo predijo correctamente 7 de los 8 compuestos químicos etiquetados como no tóxicos según el ensayo experimental mientras que acertó en todos los compuestos químicos identificados como tóxicos en el ensayo experimental. A continuación, se predijeron las sustancias clasificadas como tóxicas mediante el modelo cuantitativo QSAR. Todos los compuestos considerados tóxicos en el ensayo experimental se predijeron como tóxicos cumpliendo además con el principio de precaución. Estos resultados confirmaron así las buenas estadísticas obtenidas y descritas anteriormente. En cuanto al modelo cualitativo en algas, también mostró una buena robustez a la hora de predecir compuestos no tóxicos. El modelo predijo correctamente todos los compuestos químicos obtenidos como no tóxicos en el ensayo experimental, mientras que tan solo predijo incorrectamente el 1,2,4-triazol considerándolo no-tóxico cuando en el ensayo experimental se determinó como tóxico. Por otra parte, y al comparar los compuestos que resultaron tóxicos en el ensayo experimental, el modelo QSAR predijo correctamente 4 de los 5 compuestos químicos, obteniéndose tan solo una predicción errónea. Por lo tanto, solo se obtuvo una predicción errónea corroborando también las buenas estadísticas obtenidas para dicho modelo. Seguidamente, se realizaron las predicciones para los compuestos químicos con el modelo cuantitativo para algas. Para los compuestos considerados tóxicos en el ensayo experimental, tan solo la clorhexidina fue predicha en la misma categoría mientras que la empentrina fue predicha como más tóxica que en el ensayo experimental. Estas dos predicciones, clorhexidina y empentrina, fueron las únicas que cumplían con el principio de precaución. Cabe señalar que las predicciones para las que se subestima la toxicidad y por lo tanto no cumplían el principio de precaución solo diferían en una categoría de las obtenidas experimentalmente. Esta estimación incorrecta podría considerarse un error menor teniendo en cuenta la diferencia de una categoría indicada. Específicamente, la única predicción que consideró un compuesto no tóxico que era tóxico en el ensayo experimental, dio una ErC50 de 100.49 mg/L lo que confirma la solidez de este modelo y las buenas estadísticas obtenidas en el conjunto de entrenamiento y el conjunto de validación. Para el modelo cualitativo en Daphnia se compararon los resultados in vivo e in silico, según los valores de EC50 y considerando las dos categorías en el modelo: tóxico/no tóxico. El modelo cualitativo QSAR para Daphnia demostró une eficacia moderada en la predicción de los compuestos no tóxicos mientras que se observó buena predicción para los tóxicos. Por un lado, se sobrestimó la toxicidad prevista de los compuestos no tóxicos 2-metil-1-fenilpropan-2-ol, malonato de dietilo y 1,4-diaminobutano. Por lo tanto, se predijeron correctamente 5 de 8 compuestos no tóxicos dentro del ensayo experimental. Por otro lado, se predijeron correctamente mediante el modelo QSAR el difenil éter, el 1-metilnaftaleno, el mebendazol y el dietilfumarato, considerados tóxicos en el ensayo experimental, confirmando también las buenas estadísticas obtenidas. Teniendo en cuenta el umbral de toxicidad y no toxicidad indicado en el apartado 3.6.4, se compararon los resultados de la prueba experimental de toxicidad aguda con lombrices y los resultados in silico. Por último, el modelo cualitativo QSAR de toxicidad en lombrices obtuvo un desempeño moderado al comparar los compuestos no tóxicos -3 de 5 compuestos que resultaron no tóxicos en el ensayo experimental, se predijeron correctamente, mientras que dos de ellos se sobrestimaron y se predijeron como tóxicos-. Por otra parte, todos los compuestos que resultaron tóxicos en el ensayo experimental fueron correctamente predichos por el modelo. Si bien las estadísticas obtenidas en el conjunto de validación no fueron muy altas, los resultados obtenidos en esta validación experimental demostraron una buena capacidad de predicción del modelo. Todas estas estadísticas y predicciones realizadas por nuestros modelos fueron finalmente comparadas con los modelos ya existentes demostrando que estos QSAR desarrollados tienen una relevancia regulatoria importante y suponen un gran avance para el usuario. En el caso de lodos activados, actualmente se han desarrollado pocos modelos y en gran parte, estos han sido desarrollados utilizando tan solo Pseudomonas como bacteria representativa. Además de ello, la gran mayoría se han desarrollado con un número reducido de compuestos químicos, por lo que su fiabilidad podría considerarse demasiado limitada. Considerando las buenas estadísticas descritas de nuestros modelos y la robustez demostrada al comparar las predicciones in silico obtenidas y los resultados experimentales, nuestros modelos QSAR pueden considerarse como un modelo único para la predicción de toxicidad en lodos activados. En cuanto al modelo para la inhibición de crecimiento en alga, existen también actualmente muy pocos modelos disponibles. La mayoría de ellos se han desarrollado para clases muy específicas de productos químicos y, contienen solo unos pocos compuestos en el conjunto de entrenamiento lo que explica la mejor precisión de predicción en comparación con nuestros modelos. Sin embargo, la fiabilidad de estos modelos podría considerarse baja debido al reducido número de compuestos químicos, sobre todo teniendo en cuenta que el dominio de aplicabilidad es muy estrecho y, en consecuencia, su uso para la evaluación de riesgos es limitado. Además, la mayoría de ellos no se validaron o solo se validaron internamente mediante una validación cruzada en la que no se empleó un conjunto de validación externo, lo que en última instancia disminuye su robustez. Por otro lado, se ha desarrollado un número reducido de modelos para un amplio número de compuestos químicos de diferentes familias aumentando su dominio de aplicabilidad. Sin embargo, se vio que las estadísticas correspondientes normalmente disminuyeron mientras que la incertidumbre en la predicción aumentó. Algunos de estos modelos están implementados en herramientas disponibles al usuario. Al comparar las predicciones realizadas por nuestros modelos con estos, se observó que la precisión de nuestro modelo para predecir sustancias similares a los biocidas es mayor que la alcanzada por los otros modelos en el mercado. Al igual que para algas, actualmente existen pocos modelos disponibles para Daphnia magna y el enfoque más común también ha sido el de desarrollar modelos QSAR para clases muy específicas de sustancias químicos utilizando solo unos pocos compuestos en el conjunto de entrenamiento. Así pues, mayoría de ellos arrojan buenas estadísticas, pero como ya se ha comentado para algas, estos modelos poseen una baja confiabilidad debido a ello y ya que normalmente no se lleva a cabo una validación externa. También, son varios los modelos desarrollados con un mayor número de compuestos químicos y que están disponibles al usuario en forma de aplicaciones web. Dado que los QSAR existentes son modelos cuantitativos y en este proyecto se desarrolló un modelo cualitativo (tóxico/no tóxico), para la comparación se consideró la predicción cuantitativa realizada por los otros modelos como tóxica para la categoría uno, dos y tres y no tóxico para predicciones en la categoría 4. Como se pudo ver, la capacidad de predicción de la toxicidad en Daphnia en fitosanitarios del modelo desarrollado en este proyecto es superior a la alcanzada por los otros modelos, siendo el modelo ECOSAR el único que generó resultados moderados al compararlo con nuestro modelo de manera cualitativa. Sin embargo, ECOSAR no predijo correctamente la toxicidad de forma cuantitativa por lo que, aunque en este proyecto no se desarrolló un modelo QSAR cuantitativo para la toxicidad aguda en Daphnia, el modelo puede considerarse una buena herramienta para discriminar entre compuestos tóxicos y no tóxicos para la industria y para fines regulatorios. Además, podría considerarse un buen punto de partida para desarrollar un modelo cuantitativo mejorado, similar al desarrollado para compuestos biocidas para la inhibición de crecimiento en algas. Por último, en la literatura solo se describen dos modelos QSAR para la predicción de la toxicidad de las lombrices de tierra: un modelo QSAR de clasificación con 117 compuestos relacionados con productos fitosanitarios utilizando descriptores 2D con estadísticas moderadas para el set de validación y un modelo QSAR cuantitativo con un número de compuestos reducido (58 fitosanitarios) que sugiere cierta incertidumbre en las predicciones del modelo. El mayor número de compuestos en el conjunto de datos, y la adecuada capacidad de predicción demostrada por nuestro modelo cualitativo, permite realizar predicciones robustas para discriminar entre compuestos tóxicos y no tóxicos en un marco de asuntos regulatorios y podría considerarse de gran avance para la industria de plaguicidas. Por lo tanto, y sobre la base del trabajo presentado en este proyecto, cabe destacar las siguientes observaciones finales: i) en los últimos años se están desarrollando e implementando diversas normativas a nivel mundial para regular el uso de diferentes productos químicos en el mercado y existe la necesidad de aplicar el principio de las 3Rs para enfrentar las limitaciones de la industria, ii) dentro de los métodos alternativos, los modelos QSAR son de gran importancia para aplicar las 3R en un marco regulatorio, iii) solo existen unos pocos modelos QSAR disponibles para parámetros de ecotoxicidad y la mayoría de ellos son poco fiables debido a la cantidad reducida de compuestos químicos en el conjunto de datos de entrenamiento y/o no son validados de manera rigurosa, iv) se desarrolló un espacio químico para biocidas que será útil para que el usuario discrimine entre un compuesto químico genérico y un compuesto con características biocidas, v) se desarrollaron y validaron externamente y experimentalmente diferentes modelos QSAR para la toxicidad de biocidas en lodos activados y algas, así como para la toxicidad de fitosanitarios en Daphnia y lombriz. Los modelos demostraron un buen desempeño para la predicción de compuestos externos y representaron un gran avance al compararlos con los modelos QSAR existentes en el mercado, vi) los modelos desarrollados pueden servir para múltiples aplicaciones en contextos regulatorios como, por ejemplo, un “data gap análisis” o como parte de un “weight of evidence” vii) los modelos desarrollados pueden ayudar en el diseño u optimización de nuevos biocidas o pesticidas.