relevantes: similitudes y diferencias entre investigación ecológica básica y evaluación de riesgo ecológico

Transcripción

1 Generando hipótesis de riesgo relevantes: similitudes y diferencias entre investigación ecológica básica y evaluación de riesgo ecológico Alan Raybould, Seguridad de producto, Syngenta

2 Las investigaciones de ERA para los Organismos Genéticamente Modificados (OGM) están contribuyendo a la toma de decisiones? Información abundante Muy pocos, si los hubiera, efectos perjudiciales Muchos beneficios ambientales Tiempos largos para las decisiones Los criterios para las aprobaciones no son claros Desconfianza del público hacia las empresas y los reguladores 2

3 Cuál es el problema con la investigación de ERA para los OGM? "Durante la primera década desde las primeras autorizaciones comerciales de cultivos GM, ha habido un enorme aumento en la cantidad de datos generados por estudios científicos relacionados con la evaluación de riesgo. Si esta tendencia continúa, corremos el riesgo de que las autoridades competentes queden sumergidas en medio de cantidades excesivamente grandes de información que pueden no guardar relación con cuestiones de seguridad comprobables. - Un panorama de las características generales de las evaluaciones de riesgo de los cultivos genéticamente modificados d - Craig et al., 2008, Euphytica 164:

4 Consecuencias de los datos irrelevantes "Reunir datos y realizar afirmaciones vagas acerca de su pertinencia para la evaluación de riesgo sin brindar predicciones específicas sobre las cuestiones que que preocupan, sólo sirve para confundir y aumentar la inquietud". - Cómo encaja la evaluación científica de riesgo de los cultivos GM dentro del análisis de riesgo más amplio? - Johnson et al., 2007, Trends in Plant Science 12: 1-5 4

5 Consecuencias de los datos irrelevantes El público se inquieta: no confía ni en las empresas ni en los reguladores. Los reguladores se inquietan: deben dar una imagen de rigurosidad. Las empresas se inquietan: producen los datos sólo por si acaso. 5

6 Las consecuencias de esa inquietud La inquietud conduce a un enfoque conservador con respecto a los requerimientos de datos - Un estudio realizado para un producto A probablemente sea requerido para B, C, D... - Alto riesgo comercial de no producir datos cuando el costo de un estudio es bajo comparado con el costo de un retraso - Puede que no sea importante para el proyecto en curso, pero sienta un precedente importante - los expedientes van acumulando estudios irrelevantes - Aumenta el tamaño de los expedientes regulatorios 6

7 Las consecuencias de esa inquietud La inquietud también genera el clima para que florezcan estudios académicos - Cualquier estudio que utilice un OGM es potencialmente publicable - Declaraciones de posiciones por parte de las empresas, organizaciones de la industria, etc. - Más datos para evaluar - Los datos no son, en muchas ocasiones, de calidad regulatoria 7

8 La producción de datos irrelevantes no es un problema menor El alto costo de cumplir con las normas - Se pueden desarrollar menos productos - Es una barrera de mercado para pequeñas empresas e instituciones públicas Demoras en las aprobaciones ya que los expedientes más largos llevan más tiempo de análisis - La introducción de productos beneficiosos se ve impedida o demorada - Se demora o impide la discontinuación de productos perjudiciales Los productos más riesgosos pueden recibir evaluaciones inadecuadas Pueden aumentar los riesgos ambientales y de salud Los académicos podrían estar estudiando algo más interesante 8

9 Esto es sustentable? 9

10 Por qué se producen datos irrelevantes? Primer motivo posible: "La falacia naturalista" - "la falacia de avanzar directamente de es a debería ser" La falacia naturalista conduce a la idea equivocada de que la ciencia (la forma en que pensamos que el mundo es) )puede decirnos qué política debemos adoptar (la forma en que pensamos que el mundo debería ser) Esto conduce al "modelo deficitario" de la ciencia aplicada a la toma de decisiones: "si se recurre a la ciencia lo suficiente, emergerá la política correcta" - Métodos ecológicos versus métodos ecotoxicológicos para evaluar los riesgos ambientales de los cultivos transgénicos - Raybould, 2007, Plant Science 173:

11 Por qué se producen datos irrelevantes? Se producen datos irrelevantes porque creemos que los datos pueden sustituir o llevarnos directamente hacia los criterios para políticas y toma de decisiones. "Muchas de las opciones que enfrenta la sociedad son éticas y morales, y la información científica puede proporcionarles los fundamentos para tomar decisiones. La ciencia no brinda soluciones, pero puede ayudar a entender las consecuencias de las distintas opciones." - Ingresando al siglo del medio ambiente: un nuevo contrato social para la ciencia - Lubechenco, 1998, Science 279:

12 Por qué se producen datos irrelevantes? Segundo motivo posible: la teoría del "balde" del conocimiento científico - Realizar observaciones sin preconceptos (hipótesis) - Si se le agrega suficiente conocimiento al balde, el conocimiento emergerá. - Las hipótesis generales se infieren de observaciones específicas. - Es el método conocido como inducción ió La teoría del balde aplicada a la evaluación de riesgo de los cultivos GM sugiere que el riesgo se puede caracterizar mediante la acumulación de datos. - Más datos = mejor caracterización del riesgo - Con datos suficientes se puede demostrar la seguridad 12

13 Por qué se producen datos irrelevantes? Varios problemas con la inducción como base lógica de la ciencia. - Una teoría puede ser verdadera pero nunca se puede demostrar su veracidad. - Aumentar la cantidad de datos que avalan una teoría no aumentará la probabilidad de que la teoría sea verdadera. - Muchas teorías encajan en los mismos datos. Una mayor cantidad de datos no hace más probable que un OGM sea seguro. Entonces, cómo surge el conocimiento i científico y cómo puede caracterizarse el riesgo? 13

14 Una alternativa al balde: el reflector Karl Popper ( ) propuso que el conocimiento aumenta mediante los intentos de falsificar teorías o hipótesis. - "Lógica deductiva" - La Teoría del Reflector" del conocimiento científico - Buscar las observaciones que discriminan entre hipótesis 14

15 La Teoría del Reflector Los preconceptos (hipótesis) preceden a las observaciones - No es posible observar sin una hipótesis De una hipótesis general deducimos que ocurrirán fenómenos específicos - Realizamos predicciones Realizamos amos observaciones para compararlas con nuestras predicciones - Se prueba la hipótesis - Intentamos demostrar que es falsa, no intentamos probar que es verdadera. 15

16 La Teoría del Reflector Si las predicciones y observaciones coinciden, se corrobora la hipótesis. - La hipótesis sobrevive para más pruebas Si las predicciones y observaciones no coinciden, la hipótesis se refuta. - La hipótesis se revisa osedescarta El conocimiento es un conjunto de hipótesis corroboradas Las hipótesis son reflectores que iluminan a las observaciones y les dan importancia No sé si acá no es significado 16

17 Balde y reflector: un ejemplo Hipótesis: "Todos los cisnes son blancos" Balde: se observan algunos cisnes blancos y se induce la hipótesis; se buscan más cisnes blancos para probar la hipótesis Reflector: se comienza con la hipótesis y se deduce que todos los cisnes en un río particular son blancos; se buscan allí cisnes negros para refutar la hipótesis 17

18 Profunda importancia del ensayo y (la eliminación) del error Karl Popper, Conocimiento objetivo, un enfoque evolucionista problema inicial [P 1 ] solución tentativa [SP] eliminación de errores [EE] conocimiento nuevo y un problema nuevo [P 2 ] 18

19 Puede adaptarse la evaluación de riesgo para que siga una lógica deductiva? Sí: EE.UU. EPA

20 La evaluación de riesgo sigue la misma lógica que el descubrimiento científico Definir los potenciales efectos perjudiciales del cultivo GM (P 1 ) Desarrollar las hipótesis de que el cultivo GM no es perjudicial (ST 1 ) Comprobar las hipótesis (EE) Mayor conocimiento del riesgo (P 2 ) Nueva hipótesis i de riesgo (SP 2 ) La seguridad es una hipótesis de no daño lo suficientemente bien corroborada 20

21 Disminuyendo la cantidad de datos irrelevantes Es importante reconocer que la evaluación de riesgo tiene una lógica deductiva. - Se pueden acumular datos irrelevantes (para la evaluación de riesgo) si uno cree que está tratando de probar la seguridad con de modo inductivo. - Llenar el balde con cisnes blancos inofensivos. Evitar también la Falacia Naturalista. - Llenar el balde con cisnes. - Descubrir qué es lo perjudicial en el color de los cisnes. - Pero el daño se define, no se descubre. La recopilación de datos es más efectiva si se considera la evaluación de riesgo como la comprobación de una hipótesis.. - Búsqueda de cisnes negros perjudiciales. 21

22 La evaluación de riesgo es científica pero no es investigación Tanto la investigación básica como la evaluación de riesgo avanzanprobándoles hipótesis (soluciones tentativas) a los problemas. Es importante reconocer que los orígenes de los problemas y las formas de hipótesis difieren en la investigación básica y la evaluación de riesgo. 22

23 Origen de los problemas La ciencia es, generalmente, considerada objetiva. Esto realmente aplica para la fase de eliminación (prueba) de errores La selección de problemas científicos contiene subjetividades. - Los intereses personales del científico - Los intereses sociales que median a través de la asignación de fondos - (La creatividad en la formulación de hipótesis) 23

24 Origen de los problemas La visión equivocada de que la selección del problema es objetiva quizás no sea un problema para el desarrollo de ciencia pura. Altamente perjudicial para la evaluación de riesgo. Debe enfocarse en proteger las cosas valiosas. - Es inevitablemente subjetiva. - No puede deducirse científicamente. - Evita la Falacia Naturalista que conduce al Modelo Deficitario. 24

25 Propiedades de las hipótesis Es propio del hombre instruido buscar la precisión en cada clase de cosas en la medida que el asunto lo permita - Aristóteles, Ética de Nicómaco Las hipótesis científicas buscan ser precisas e interesantes. En la investigación básica, el interés proviene de la precisión. En el ERA, el interés debe provenir de la relevancia respecto de una decisión. 25

26 Propiedades de las hipótesis En la investigación básica, una mejor teoría genera predicciones más precisas. - Más interesante, más improbable, mejor para comprobar. Lloverá en alguna parte de Europa el mes próximo. - Probablemente precisa, pero es aburrida. Lloverá en Madrid pero no en Londres mañana a las 15:00. - Menos probable que sea precisa, pero más interesante. En la evaluación ación de riesgo, puede ser suficiente conocer el equivalente de la probabilidad de que lloverá en Europa el mes próximo. - En ese caso, elaborar y probar una teoría acerca de dónde y cuándo lloverá precisamente, es innecesario. i 26

27 Precisión innecesaria? Hibridación entre Brassica napus y Brassica rapa en el Reino Unido - Wilkinson et al., 2003, Science 302: A=Brassica napus; B=Brassica Brassica rapa; C=co co-ocurrenciaocurrencia 27

28 Precisión innecesaria? La predicción puede haber sido una investigación básica interesante. También pareció contribuir a la evaluación de riesgo de la colza GM Cómo? - No hubo criterios previos de toma de decisión basados en la abundancia y ubicación de los híbridos GM - La posible confusión en cuanto al esfuerzo invertido puede implicar que una decisión debe estar basada en un número previsto de híbridos GM. El proceso de toma de decisión puede funcionar mejor si se conoce la probabilidad de al menos un híbrido GM. 28

29 Formulación de hipótesis útiles para la ERA (hipótesis de riesgo) Caso Hipótesis: i Siembra de cultivo GM Suceso A Suceso B Suceso C Suceso D (daño) El suceso A no ocurrirá El suceso B no ocurrirá El suceso C no ocurrirá El suceso D no ocurrirá 29

30 Formulación de hipótesis de riesgo Modelo conceptual (escenario) Hibridación entre el cultivo y la especie silvestre El rasgo GM incrementa la resistencia a los virus de la especie silvestre Hipótesis de riesgo No hay hibridación entre el cultivo y la especie silvestre La especie silvestre es inmune al virus La especie silvestre es infectada por el virus No hay virus en las especies silvestres en el campo en el campo Las plantas GM infectadas sobreviven por más tiempo o producen más semilla que las plantas infectadas que no son GM Incremento en la abundancia de especies silvestres que reduce la cantidad de especies valiosas (daño) La infección no reduce la sobrevida o la producción de semillas El tamaño de la población no está limitado i por la producción de semillas Environmental Biosafety Research 4:

31 Ejemplos de hipótesis de riesgo Hipótesis de riesgo NOAEC > 10 veces la mayor exposición Hipótesis de investigación NOAEC = X ug/g dieta; EEC = Y ug/g dieta No hay hibridación entre el cultivo A con la planta silvestre B. Número de híbridos A x B = X Xerwrewrewrewrewwerew El cultivo GM A no es más maleza que su progenitor B. Número de malezas de A = Y dasdasdasdadaddasds No hay cambios perjudiciales en la función del suelo como resultado de cultivar el cultivo GM A. No hay cambios en la abundancia relativa de los microbios del suelo como resultado de cultivar el cultivo GM A, en comparación con su progenitor B 31

32 Comprobación de hipótesis de riesgo La confianza en las evaluaciones de riesgo deriva del rigor con el que se comprueban las hipótesis de riesgo de no daño. La ecología siempre sospechó de las pruebas de laboratorio : Los estudios de laboratorio pueden... "magnificar factores incidentales o triviales...sin duda es posible que los experimentos de laboratorio muestren algunos efectos de algún factor, mediante el uso de condiciones suficientemente extremas. Los estudios de laboratorio son efectivos para aislar la respuesta a un factor, pero la respuesta puede no ser ecológicamente relevante" - R.H. Peters A Critique for Ecology (1991) 32

33 Sobreestimar los efectos en los estudios de laboratorio Un problema si la presencia de un efecto es de interés. - ej:., el tiempo perdido desarrollando y probando teorías que utilizan variables sin poder predictivo en el campo Un beneficio si la ausencia de un efecto es de interés. - ej:, evaluación de riesgo - No hay daño si no hay fenómeno Si no hay efectos en el laboratorio, hay gran confianza de que no habrá efectos en el campo. Si el efecto sucede en el laboratorio, verificar si también ocurre en el campo. - Concepto de pruebas escalonadas - Comienzan con los estudios que más probablemente bl detectarán t los efectos perjudiciales. 33

34 Comprobando de hipótesis de riesgo "Probar" no significa que se requiera un nuevo estudio. Puede que los datos existentes corroboren las hipótesis de riesgo con la suficiente certeza. Proteína Cry expresada en un cultivo nuevo - Recolectar datos nuevos acerca de la expresión de la proteína. - Revisar los datos existentes sobre la fauna relacionada con el cultivo en el área propuesta para cultivar. - Los datos existentes acerca de la toxicidad de las proteínas Cry pueden ser suficientes para demostrar bajo riesgo en la siembra del cultivo para las especies que no son plaga. - ej: los datos de Cry1Ac y Cry2Ab reunidos para la evaluación de riesgo del algodón y del maíz pueden ser suficientes para el poroto gandul (pigeonpea) que exprese estas proteínas (Romeis et al., 2009) 34

35 Resumen: descubrimiento científico y evaluación de riesgo Descubrimiento i científico P 1 ST EE P 2 P 1 aparentemente objetiva Surge de la prueba objetiva de problemas anteriores Surge de la prueba objetiva de problemas anteriores Predicciones precisas La EE apunta a falsificar la ST La ST se corrobora a través de la presencia de fenómenos en los estudios de campo Evaluación de riesgo ambiental P 1 ST EE P 2 P 1 subjetivo Surge de las definiciones de daño La ST busca contribuir en la toma de decisiones Predice ausencia de daño La EE apunta a falsificar la ST La ST se corrobora a través de la ausencia de fenómenos en los estudios de laboratorio 35

36 Reducir la incertidumbre Se definió el daño? - Es subjetivo, no se puede descubrir científicamente - Deriva de la ley u otros instrumentos de regulación - El cambio en sí mismo no representa un daño - Una discusión acerca de lo que constituye un efecto perjudicial podría resultar más provechosa que más investigaciones para predecir los efectos 36

37 Reducir la incertidumbre Se formularon hipótesis claras de ausencia de daño? - La corroboración o falsificación debería contribuir a la toma de decisiones - Evitar hipótesis complejas que realizan predicciones precisas, a menos que las decisiones dependan de la cuantificación exacta de un efecto - Las hipótesis simples que realizan predicciones semi-cuantitativas (no más que, no menos que, etc.) pueden ser más útiles. - Una discusión acerca de los umbrales de un indicador de daño puede ser más útil que más investigaciones para aumentar la precisión de las predicciones de un indicador. 37

38 Reducir la incertidumbre Se probaron rigurosamente las hipótesis de ausencia de daño? - Generalmente los estudios de laboratorio ofrecen pruebas más rigurosas que los estudios de campo. - Si ese es el caso, no realizar estudios de campo en caso de que no haya efectos en el laboratorio. - Hay que buscar cisnes negros, no contar los blancos. - Si luego de las pruebas de laboratorio la incertidumbre en cuanto al nivel de riesgo es todavía muy alta, continuar con pruebas de laboratorio puede ser más útil que un extenso programa de investigación de campo. 38

39 Reducir la incertidumbre Se aprovecharon al máximo los datos existentes? - Evaluar un riesgo y abordar inquietudes no es lo mismo que hacer un estudio. - El riesgo de un producto no se mide por la voluntad del desarrollador de generar datos. - La confianza deriva del rigor de las pruebas de la hipótesis de riesgo y no de la cantidad de datos que la "apoyan" - Si los datos existentes evalúan el riesgo de manera adecuada, seguir investigando puede aumentar el riesgo si se demora la introducción de productos beneficiosos. 39

40 Toma de decisiones Las decisiones difíciles pueden requerir una mejor evaluación de riesgo en vez de más investigación 40