Seleccionar página

Fuente: GDJ/Pixabay

En un nuevo estudio, investigadores de la Universidad de California, San Francisco (UCSF) aplican el aprendizaje automático de inteligencia artificial (IA) para encontrar datos ocultos valiosos en bases de datos de enfermedades de archivo que pueden ayudar a acelerar la investigación biotecnológica y el descubrimiento de fármacos para la enfermedad de Alzheimer (EA) y otras condiciones.

“A pesar de los extensos esfuerzos de descubrimiento de fármacos, no existen tratamientos efectivos que prevengan o incluso retrasen la progresión de la EA”, escribieron los investigadores. “De los muchos objetivos terapéuticos que se están investigando, el mal plegamiento patogénico y la acumulación de proteína tau en ovillos neurofibrilares (NFT, por sus siglas en inglés) ha surgido como un mecanismo objetivo.

La enfermedad de Alzheimer representa del 60 al 80 por ciento de los casos de demencia y es la causa más común de demencia según la Asociación de Alzheimer. La demencia es la disminución de la capacidad mental que interfiere con las actividades diarias de la vida con síntomas que pueden afectar la capacidad de una persona para recordar, pensar y razonar. Se estima que 139 millones de personas en todo el mundo vivirán con demencia para 2050 y más de 55 millones de personas en todo el mundo vivirán con demencia en 2020 según Alzheimer’s Disease International. Según el Women’s Alzheimer’s Movement (WAM), una organización fundada por Maria Shriver, se estima que 6 millones de estadounidenses viven con la enfermedad de Alzheimer, de los cuales dos tercios son mujeres y los científicos no saben por qué.

Este estudio aplicó el aprendizaje automático a una base de datos de archivo de detección de alto contenido que tenía información sobre los efectos fenotípicos de las moléculas pequeñas para el tratamiento de la enfermedad de Alzheimer.

Los investigadores buscaron mejorar la extracción de conocimientos biológicos a partir de datos de imágenes recopilados de High Content Screening (HCS), un método que es vital para el proceso de descubrimiento de fármacos.

Su hipótesis era que el aprendizaje automático de IA podría encontrar datos procesables dentro del HCS que podrían proporcionar información valiosa sobre las características bioquímicas de un organismo que, a su vez, puede acelerar la investigación biotecnológica y el descubrimiento de fármacos.

En microbiología, la detección de alto contenido (HCS), también conocida como detección automática basada en microscopio, se utiliza para la investigación y la detección de toxicidad para el descubrimiento de fármacos. Fue desarrollado a mediados de la década de 1990 y se usa a menudo en la investigación de biología de sistemas y para descubrir si los fármacos candidatos cambian el curso de la enfermedad al permitir a los científicos medir y comprender las funciones de las proteínas, los genes, el ARN y otros componentes de las células vivas. .

High Content Screening es principalmente una técnica de imagen de microscopía de fluorescencia para células vivas y organismos donde los materiales fluorescentes emisores de luz se examinan bajo un microscopio. Por lo general, la célula viva de la muestra se tiñe con una tinción de fluorescencia que se ilumina cuando se expone a una luz de longitud de onda corta, como la luz azul o ultravioleta (UV), y se ve a través de filtros que eliminan las longitudes de onda de luz no deseadas.

La metodología estándar actual para obtener más información de los datos de detección de alto contenido es introducir marcadores biológicos adicionales. El inconveniente es que puede ser costoso, lento o demasiado tedioso agregar más marcadores biológicos para el seguimiento. Además, este enfoque no funcionará para grandes conjuntos de datos de archivo donde la investigación ya ha terminado.

El investigador informó que al usar su método de aprendizaje automático de IA, pudieron identificar nuevos compuestos que bloquearon de manera efectiva la agregación de tau que no se encontraron anteriormente utilizando los enfoques de detección existentes sin inteligencia artificial.

«Superamos computacionalmente estas limitaciones de los marcadores al aprender directamente las relaciones fenotípicas entre un marcador altamente informativo pero engorroso y otros marcadores similares pero de más fácil acceso», escribieron los investigadores. «Estas relaciones ocultas luego se proyectaron en imágenes de novo que mostraban la señal fluorescente deseada del marcador engorroso».

Además, el algoritmo de aprendizaje automático se puede usar para otras enfermedades, no solo para la enfermedad de Alzheimer, y se puede usar para buscar información oculta en otros conjuntos de datos de imágenes de microscopía de fluorescencia de archivo. Los científicos evaluaron la generalización del algoritmo de IA en un conjunto de datos basado en el cáncer, un entorno biológico diferente. Específicamente, aplicaron el aprendizaje automático a una pantalla de genómica funcional en un tipo común de cáncer de hueso, el osteosarcoma.

A través de la combinación de aprendizaje automático de IA, microscopía de fluorescencia y bases de datos de ciencias de la vida, los investigadores de enfermedades ahora tienen una herramienta poderosa para ayudar a acelerar el descubrimiento de fármacos y el desarrollo de nuevas terapias en el futuro.

Copyright © 2022 Cami Rosso

Uso de cookies

Este sitio web utiliza cookies para que usted tenga la mejor experiencia de usuario. Si continúa navegando está dando su consentimiento para la aceptación de las mencionadas cookies y la aceptación de nuestra política de cookies, pinche el enlace para mayor información

ACEPTAR
Aviso de cookies