El Fin Del Conocimiento - Bóveda 6/62 - CVPR - 2021 - Repensando el Descubrimiento de Medicamentos en la Era de la Biología Digital

graph LR classDef drug fill:#f9d4d4, font-weight:bold, font-size:14px classDef ML fill:#d4f9d4, font-weight:bold, font-size:14px classDef bio fill:#d4d4f9, font-weight:bold, font-size:14px classDef tech fill:#f9f9d4, font-weight:bold, font-size:14px classDef genetics fill:#f4d4f9, font-weight:bold, font-size:14px A["Repensando el Descubrimiento de Medicamentos
en la Era
de la Biología Digital"] --> B["Descubrimiento de
Medicamentos"] A --> C["Aprendizaje
Automático"] A --> D["Integración de
Biología"] A --> E["Datos de
Genética"] A --> F["Aplicaciones de
Tecnología"] B --> B1["Proceso de desarrollo
de nuevos
medicamentos. 1"] B --> B2["Declive en
productividad de
I+D. 2"] B --> B3["Predicciones de desarrollo
de medicamentos impulsadas
por IA. 3"] B --> B4["Proceso de entrenamiento
de modelos iterativos.
13"] B --> B5["Síntesis de vastos
compuestos
químicos. 24"] B --> B6["Creación de biblioteca
de compuestos
bajo demanda. 25"] C --> C1["IA con
datos de alta
calidad. 4"] C --> C2["Aprendizaje de relaciones
de datos
directamente. 6"] C --> C3["Generalización de IA
fuera de los datos
de entrenamiento. 18"] C --> C4["Procedimientos experimentales
mejorados por
IA. 20"] C --> C5["IA en
análisis de imágenes
médicas. 30"] C --> C6["Predicciones
continuas
mejores. 27"] D --> D1["Datos biológicos y
integración de
IA. 5"] D --> D2["Combinación de biología
e
IA. 14"] D --> D3["Modelos biológicos
in vitro.
15"] D --> D4["Cultivos de células
madre en 3D.
16"] D --> D5["Representaciones de biología
basadas en IA.
7"] D --> D6["Colaboración
biomédica
interdisciplinaria. 23"] E --> E1["ADN para
comprensión de
enfermedades. 9"] E --> E2["Vinculación de genética
a
rasgos. 11"] E --> E3["Vínculos causales
genética-enfermedad.
17"] E --> E4["Reprogramación de células
para
modelado. 29"] E --> E5["Importancia de conjuntos
de datos de alta
calidad. 19"] E --> E6["Lectura cuantitativa de
afinidad de compuestos.
12"] F --> F1["Modelado de biología
con límites de
IA. 21"] F --> F2["Traslado de investigación
a
biotecnología. 22"] F --> F3["IA para
estructuras
moleculares. 26"] F --> F4["IA en
predicción de
proteínas. 28"] F --> F5["Tratamientos dirigidos
para subgrupos
de pacientes. 8"] F --> F6["Datos
genéticos
humanos. 10"] class A,B,B1,B2,B3,B4,B5,B6 drug class C,C1,C2,C3,C4,C5,C6 ML class D,D1,D2,D3,D4,D5,D6 bio class E,E1,E2,E3,E4,E5,E6 genetics class F,F1,F2,F3,F4,F5,F6 tech

Resumen:

1.- Descubrimiento de medicamentos: Proceso de desarrollo de nuevos medicamentos, con éxitos recientes en vacunas, tratamientos contra el cáncer y terapias genéticas como para la fibrosis quística.

2.- Ley de Eroom: Disminución exponencial en la productividad de I+D farmacéutica, con el costo actual por medicamento aprobado superando los $5 mil millones debido a altas tasas de fracaso.

3.- Aprendizaje automático en el descubrimiento de medicamentos: Uso de IA para hacer mejores predicciones en puntos de decisión a lo largo del proceso de desarrollo de medicamentos.

4.- Enfoque In-Citro: Integración de aprendizaje automático con la creación/recolección de datos de alta calidad para mejorar las predicciones en la cadena de valor de I+D farmacéutica.

5.- Convergencia de ciencias de la vida y aprendizaje automático: Combinación de herramientas de generación de datos biológicos con IA para impulsar conocimientos en el descubrimiento de medicamentos.

6.- Aprendizaje de extremo a extremo: Enfoque de aprendizaje automático que aprende representaciones de datos, descubriendo relaciones entre instancias no aparentes en el etiquetado original.

7.- Modelado de biología humana: Uso de aprendizaje automático para crear representaciones de la biología humana para predecir el impacto clínico de intervenciones.

8.- Heterogeneidad del paciente: Comprensión de que las enfermedades complejas a menudo comprenden múltiples procesos biológicos, lo que requiere terapias dirigidas para subgrupos específicos de pacientes.

9.- Datos genéticos humanos: Aprovechamiento de la secuenciación de ADN y la información fenotípica para comprender los impulsores genéticos de enfermedades y objetivos de medicamentos.

10.- Biobancos: Colecciones a gran escala de muestras biológicas y datos, como el UK Biobank, que permiten la investigación genética y clínica.

11.- Estudios de asociación del genoma completo: Investigación que vincula variantes genéticas con resultados clínicos o rasgos, revelando la arquitectura genética de enfermedades y características.

12.- Tecnología de indexación: Proporciona una lectura más cuantitativa y sensible de la afinidad de unión de compuestos, mejorando las entradas del modelo de aprendizaje automático.

13.- Bucle de aprendizaje activo: Proceso iterativo de entrenamiento de modelos, selección de compuestos y pruebas para mejorar las capacidades predictivas en el descubrimiento de medicamentos.

14.- Biología digital: Disciplina emergente que combina herramientas de medición/intervención biológica cuantitativa con ciencia de datos/aprendizaje automático para conocimientos e intervenciones biológicas.

15.- Órganos en chips: Modelos in vitro que replican múltiples tipos de células y relaciones complejas, útiles para estudiar sistemas biológicos.

16.- Organoides: Cultivos celulares en 3D derivados de células madre, formando estructuras similares a órganos en miniatura para una recapitulación más escalable y fiel de órganos.

17.- Relaciones causales en genética: Las variantes genéticas asociadas con fenotipos de enfermedades a menudo indican relaciones causales, con algunos factores de confusión.

18.- Robustez fuera de distribución: Desarrollo de modelos de aprendizaje automático que puedan generalizar a datos fuera de la distribución de entrenamiento, importante para aplicaciones biológicas.

19.- Calidad de datos y artefactos: Importancia de conjuntos de datos de alta calidad y propósito específico para el aprendizaje automático en biología para evitar que el modelo se enfoque en correlaciones espurias.

20.- Aprendizaje automático en procesos de laboratorio húmedo: Uso de IA para optimizar condiciones de cultivo celular y procedimientos experimentales, mejorando la generación de datos.

21.- Límites de la capacidad de aprendizaje en biología: Pregunta filosófica sobre qué procesos biológicos pueden ser modelados y predichos efectivamente por el aprendizaje automático.

22.- Transición de academia a industria: Desafíos y motivaciones para pasar de la investigación académica a aplicaciones industriales en biotecnología.

23.- Enfoque basado en equipos: Importancia de la colaboración interdisciplinaria y el trabajo en equipo efectivo para abordar problemas biomédicos complejos.

24.- Bibliotecas codificadas por ADN: Tecnología que permite la síntesis y prueba de un gran número de compuestos químicos para el descubrimiento de medicamentos.

25.- Síntesis DEL programable: Método avanzado que permite la creación bajo demanda de grandes bibliotecas de compuestos basados en instrucciones codificadas por ADN.

26.- Redes neuronales de grafos: Modelos de aprendizaje automático efectivos en el procesamiento de estructuras moleculares para predecir afinidades de unión y otras propiedades.

27.- Regresión vs. clasificación en el descubrimiento de medicamentos: Utilizar predicciones continuas (regresión) puede proporcionar resultados más informativos que la clasificación binaria.

28.- Impacto de AlphaFold: Demostración del potencial del aprendizaje automático en resolver problemas biológicos complejos como la predicción de estructuras de proteínas.

29.- Células madre pluripotentes inducidas: Tecnología que permite la creación de diversos tipos celulares a partir de células adultas reprogramadas, útil para el modelado de enfermedades.

30.- Aprendizaje automático para histopatología: Aplicación de IA para analizar imágenes médicas, potencialmente mejorando la precisión y eficiencia diagnóstica.

Bóveda del Conocimiento construida por David Vivancos 2024