El Fin Del Conocimiento - Bóveda 6/73 - CVPR - 2022 - Diseño para Inferencia en Descubrimiento y Desarrollo de Medicamentos

graph LR classDef aims fill:#f9d4d4, font-weight:bold, font-size:14px classDef challenges fill:#d4f9d4, font-weight:bold, font-size:14px classDef methods fill:#d4d4f9, font-weight:bold, font-size:14px classDef collaboration fill:#f9f9d4, font-weight:bold, font-size:14px A["Diseño para Inferencia
en Descubrimiento
y Desarrollo de Medicamentos"] --> B["Genentech
Objetivos"] A --> C["Desafíos
en Descubrimiento
de Medicamentos"] A --> D["Métodos
Innovadores"] A --> E["Colaboración
y
Compartición de Datos"] B --> B1["Doble avances,
menor
costo. 1"] B --> B2["Identificadas ~100,000
regiones asociadas
a enfermedades. 2"] B --> B3["Datos de perfilado
unicelular,
espacial. 8"] B --> B4["Aprendizaje profundo
para tipos
celulares. 9"] B --> B5["Predice impactos de
perturbaciones
no vistas. 6"] B --> B6["Explora paisajes
de aptitud,
secuencias. 11"] C --> C1["Espacios de posibilidades
enormes. 3"] C --> C2["Nuevos esqueletos,
acantilados
de actividad. 14"] C --> C3["Desafíos en pequeñas
moléculas. 24"] C --> C4["Combinando datos:
genética,
perturbación. 23"] C --> C5["Equilibrando regiones
conservadas,
variables. 12"] C --> C6["Desafíos en
generalización. 13"] D --> D1["Laboratorio-en-el-bucle:
objetivo, medicamento, clínico. 10"] D --> D2["Pantallas virtuales,
oráculos
entrenados. 13"] D --> D3["Predice presentación
de péptidos,
inmunogenicidad. 15"] D --> D4["CRISPR: Perturbaciones
genéticas en
pantallas. 26"] D --> D5["Modelos interpretables:
predicen actividades
de moléculas. 27"] D --> D6["Múltiples modalidades
terapéuticas. 29"] E --> E1["Expande acceso a ensayos
para subrepresentados. 17"] E --> E2["Construye modelos
derivados de humanos. 18"] E --> E3["Comparte datos,
artículos,
herramientas. 19"] E --> E4["Colaboración: Genentech,
vacunas BioNTech. 28"] E --> E5["Colaboración: Químicos,
biólogos,
CS. 25"] E --> E6["Asociaciones público-privadas. 22"] class A,B,B1,B2,B3,B4,B5,B6 aims class C,C1,C2,C3,C4,C5,C6 challenges class D,D1,D2,D3,D4,D5,D6 methods class E,E1,E2,E3,E4,E5,E6 collaboration

Resumen:

1.- Genentech tiene como objetivo duplicar los avances médicos a menor costo para la sociedad aprovechando el aprendizaje automático y los conocimientos de la biología humana.

2.- La genética humana ha identificado ~100,000 regiones del genoma asociadas con el riesgo de enfermedades, proporcionando puntos de partida para el descubrimiento de medicamentos.

3.- El descubrimiento de medicamentos enfrenta desafíos debido a los enormes espacios de posibilidades en biología, química y medicina, con pocas opciones realizables.

4.- Cuatro catalizadores impulsan el progreso: estudios de biología humana, métodos de alta resolución/escala, nuevas modalidades terapéuticas y avances en computación/aprendizaje automático.

5.- Perturb-seq permite perfilar cambios en la expresión génica a partir de perturbaciones genéticas a resolución de célula única, permitiendo la inferencia de redes regulatorias génicas.

6.- Los modelos de grafos de factores causales pueden aprender de datos de perturbación a gran escala, prediciendo impactos de perturbaciones no vistas mejor que enfoques anteriores.

7.- Los diseños experimentales comprimidos permiten explorar eficientemente interacciones genéticas perfilando múltiples perturbaciones simultáneamente y descomprimiendo computacionalmente los efectos.

8.- El proyecto Human Cell Atlas proporciona datos de perfilado unicelular y espacial del cuerpo humano, ayudando a comprender los mecanismos de enfermedades.

9.- La herramienta de búsqueda de similitud utiliza aprendizaje profundo para encontrar tipos celulares similares en estudios, ayudando a identificar células relevantes para experimentos.

10.- El concepto de laboratorio-en-el-bucle se aplica al descubrimiento de objetivos, descubrimiento de medicamentos y desarrollo clínico, mejorando iterativamente modelos y experimentos.

11.- El muestreador de múltiples segmentos para ingeniería de anticuerpos permite explorar paisajes de aptitud y generar diseños de secuencias diversas con mejoras funcionales.

12.- El muestreo que preserva múltiples segmentos equilibra regiones conservadas y variables en familias de proteínas durante la optimización.

13.- El descubrimiento de medicamentos de pequeñas moléculas utiliza pantallas virtuales con oráculos entrenados para predecir moléculas activas de miles de millones de posibilidades.

14.- Los modelos para el descubrimiento de pequeñas moléculas enfrentan desafíos en la generalización fuera de distribución, incluidos nuevos esqueletos y acantilados de actividad.

15.- Las vacunas personalizadas de neoantígenos utilizan modelos transformadores para predecir la presentación de péptidos y la inmunogenicidad a partir de mutaciones tumorales.

16.- El aprendizaje automático ayuda a mejorar los ensayos clínicos identificando factores genéticos que contribuyen a eventos adversos y respuestas al tratamiento.

17.- Genentech se compromete con la investigación inclusiva y la equidad en salud, ampliando el acceso a ensayos clínicos para poblaciones subrepresentadas.

18.- La empresa invierte en la recopilación de datos de investigación diversos y en la construcción de modelos derivados de humanos que reflejen la diversidad humana.

19.- Genentech comparte datos, publica artículos y desarrolla herramientas de código abierto para apoyar la investigación colaborativa.

20.- Se necesitan atlas de perturbaciones para proporcionar conocimientos causales más allá de los datos observacionales en sistemas biológicos.

21.- La biología ofrece oportunidades únicas para datos de intervención a través de perturbaciones genéticas, valiosos para el aprendizaje automático.

22.- Las asociaciones público-privadas están abordando las brechas de datos en la investigación de pequeñas moléculas, especialmente para el descubrimiento de antibióticos.

23.- Combinar datos de perturbación con la genética humana puede mejorar la identificación de interacciones génicas en enfermedades.

24.- Alinear el espacio de esqueletos con el espacio de objetivos sigue siendo un desafío en el diseño de pequeñas moléculas.

25.- La colaboración entre expertos en dominios (por ejemplo, químicos, biólogos) y científicos de la computación es crucial para avanzar en el descubrimiento de medicamentos.

26.- Genentech utiliza tecnología CRISPR para perturbaciones genéticas en pantallas agrupadas.

27.- La empresa desarrolla modelos interpretables para predecir actividades de moléculas, ayudando a los químicos medicinales en el diseño de medicamentos.

28.- Genentech colabora con BioNTech en vacunas personalizadas contra el cáncer utilizando tecnología de ARN.

29.- La empresa aplica aprendizaje automático en múltiples modalidades terapéuticas, incluidas anticuerpos, pequeñas moléculas y terapias celulares/génicas.

30.- Genentech enfatiza la importancia de la causalidad en los conocimientos biológicos para el desarrollo exitoso de medicamentos.

Bóveda del Conocimiento construida porDavid Vivancos 2024