La IA mejora la detección de fármacos para la enfermedad de Alzheimer

Fuente: GDJ / Pixabay

En el nuevo estudiarInvestigadores de la Universidad de California, San Francisco (UCSF) aplican el aprendizaje automático con 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 medicamentos para la enfermedad de Alzheimer (AD) 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 en estudio, el mal plegamiento patogénico y la acumulación de proteína tau en los ovillos neurofibrilares (NFT, por sus siglas en inglés) han 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 una disminución de las capacidades mentales que interfiere con las actividades cotidianas de la vida con síntomas que pueden afectar la capacidad de una persona para recordar, pensar y razonar. Aproximadamente 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. a a Movimiento de Mujeres contra el Alzheimer (WAM), una organización fundada por Maria Shriver, cerca de 6 millones de estadounidenses viven con la enfermedad de Alzheimer, dos tercios de los cuales son mujeres y los científicos no saben por qué.

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

Los investigadores están trabajando para mejorar la extracción de conocimientos biológicos a partir de datos de imágenes recopilados en la detección de alto rendimiento (HCS), un método que es vital para el proceso de descubrimiento de fármacos.

Su hipótesis era que el aprendizaje automático con inteligencia artificial podría encontrar datos útiles dentro de HCS que podrían proporcionar información valiosa sobre las características bioquímicas del cuerpo, lo que a su vez podría acelerar la investigación biotecnológica y el descubrimiento de fármacos.

En microbiología, el cribado de alto contenido (HCS), también conocido como cribado automatizado basado en microscopios, se utiliza para la investigación y el cribado de toxicidad para la detección de drogas. Fue desarrollado a mediados de la década de 1990 y se usa a menudo en la investigación en biología de sistemas y para detectar si los fármacos candidatos alteran el curso de la enfermedad al permitir a los científicos medir y comprender las funciones de proteínas, genes, ARN y otros componentes de los seres vivos. .celulas

La detección de alto contenido es principalmente una técnica para obtener imágenes de células vivas y organismos con microscopía de fluorescencia, en la que los materiales fluorescentes emisores de luz se examinan bajo un microscopio. Por lo general, una celda de muestra viva se tiñe con un punto fluorescente que brilla con luz de longitud de onda corta, como la luz azul o ultravioleta (UV), y es visible a través de filtros que eliminan las longitudes de onda de luz no deseadas.

La metodología estándar actual para obtener más información a partir de datos de detección de alto contenido es la introducción de marcadores biológicos adicionales. La desventaja 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 el estudio ya se ha completado.

El investigador dijo que utilizando su método de aprendizaje automático de inteligencia artificial, pudieron identificar nuevos compuestos que bloquean de manera efectiva la agregación de tau que no se habían descubierto previamente utilizando enfoques de detección sin inteligencia artificial existentes.

"Superamos estas limitaciones del marcador computacionalmente aprendiendo directamente las relaciones fenotípicas entre un marcador altamente informativo pero torpe y otros marcadores similares pero de más fácil acceso", escribieron los investigadores. "Estas conexiones ocultas luego se diseñaron en imágenes de novo que muestran la señal fluorescente deseada del marcador torpe".

Además, el algoritmo de aprendizaje automático se puede usar para enfermedades distintas de la enfermedad de Alzheimer y se puede usar para buscar información oculta en otros conjuntos de imágenes de archivo para microscopía de fluorescencia. Los investigadores evaluaron la generalización del algoritmo de IA al cáncer en función de un conjunto de datos, un entorno biológico diferente.En particular, aplicaron el aprendizaje automático a una pantalla genómica funcional en un tipo común de cáncer de hueso, el osteosarcoma.

A través de una 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 Kami Rosso