{"id":40812,"date":"2023-09-19T09:22:36","date_gmt":"2023-09-19T15:22:36","guid":{"rendered":"https:\/\/saluddigital.com\/?p=40812"},"modified":"2025-10-19T00:39:35","modified_gmt":"2025-10-19T06:39:35","slug":"universidad-de-michigan-desarrolla-ia-para-optimizar-los-anticuerpos-en-medicinas","status":"publish","type":"post","link":"https:\/\/saluddigital.com\/en\/big-data\/universidad-de-michigan-desarrolla-ia-para-optimizar-los-anticuerpos-en-medicinas\/","title":{"rendered":"Universidad de Michigan desarrolla IA para optimizar los anticuerpos en medicinas"},"content":{"rendered":"
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Investigadores desarrollaron un modelo de aprendizaje autom\u00e1tico capaz de identificar mejoras para anticuerpos terap\u00e9uticos. <\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Las terapias con anticuerpos pueden activar el sistema inmunol\u00f3gico para combatir enfermedades como el Parkinson, el Alzheimer y el c\u00e1ncer colorrectal, sin embargo, son menos efectivas cuando se unen a s\u00ed mismos y a otras mol\u00e9culas que no son marcadores de enfermedades. Una posible soluci\u00f3n a esta problem\u00e1tica es la inteligencia artificial (IA) espec\u00edficamente los algoritmos de aprendizaje autom\u00e1tico, ya que pueden encontrar las \u00e1reas en los anticuerpos que los hacen propensos a unirse a mol\u00e9culas no deseadas.<\/p>

Cuando se desarrollan anticuerpos para tratar enfermedades, es importante que se adhieran a mol\u00e9culas espec\u00edficas llamadas ant\u00edgenos, la tarea de estos es unir mol\u00e9culas espec\u00edficas llamadas ant\u00edgenos a los agentes que causan enfermedades. Al unirse, el anticuerpo inactivo directamente los virus o c\u00e9lulas da\u00f1inos o indica a las c\u00e9lulas inmunitarias del cuerpo que lo hagan.<\/p>

Asimismo, tambi\u00e9n es importante que solo se unan a los ant\u00edgenos y no a otros elementos o mol\u00e9culas no da\u00f1inas. De igual manera, es importante que los anticuerpos no se adhieran entre s\u00ed y se vuelvan muy espesos. Encontrar anticuerpos que hagan todo esto correctamente es una tarea complicada.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Investigadores de la Universidad de Michigan desarrollaron un modelo de IA basado en aprendizaje autom\u00e1tico capaz de identificar las posiciones en los anticuerpos que est\u00e1n causando problemas, cambiar sus posiciones y as\u00ed corregir estos problemas que disminuyen la efectividad de los medicamentos.<\/p>

Seg\u00fan el Dr. Peter Tessier, investigador de ciencias farmac\u00e9uticas y de ingenier\u00eda biom\u00e9dica de la Universidad de Michigan: \u201cestos modelos son \u00fatiles porque se pueden aplicar a anticuerpos existentes, a nuevos anticuerpos en desarrollo e incluso a anticuerpos que a\u00fan no se han creado\u201d.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t

\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

En este sentido, seg\u00fan el estudio publicado en Nature Biomedical Engineering, el aprendizaje autom\u00e1tico ha aprendido acerca de muchos anticuerpos diferentes, para as\u00ed determinar cu\u00e1les anticuerpos son buenos para unirse a los ant\u00edgenos y no a otras mol\u00e9culas. De igual forma el modelo puede determinar cu\u00e1les anticuerpos no se pegan entre s\u00ed. \u201cEl anticuerpo ideal deber\u00eda hacer tres cosas a la vez: unirse firmemente a lo que se supone que deben hacer, repelerse entre s\u00ed e ignorar otras cosas en el cuerpo\u201d, explic\u00f3 el Dr. Tessier.<\/p>

Adem\u00e1s, seg\u00fan Emily Makowski primera autora del estudio, explorar todos los cambios de un solo anticuerpo lleva hasta dos d\u00edas de trabajo con este modelo, un tiempo mucho menor a lo que ser\u00eda medir experimentalmente cada anticuerpo modificado, proceso que lleva meses e incluso a\u00f1os.<\/p>

\u201cLos modelos del equipo, entrenados a partir de datos experimentales de anticuerpos en fase cl\u00ednica, pueden identificar c\u00f3mo modificar los anticuerpos para que cumplan los tres requisitos con una precisi\u00f3n del 78% al 88%. Esto reduce el n\u00famero de cambios de anticuerpos que los ingenieros qu\u00edmicos y biom\u00e9dicos tienen que fabricar y probar en el laboratorio\u201d, explica el estudio.<\/p>

Los autores del estudio resaltan el importante rol del aprendizaje autom\u00e1tico para acelerar el desarrollo de f\u00e1rmacos, el cual tiene el potencial de optimizar una nueva generaci\u00f3n de anticuerpos terap\u00e9uticos. Incluso la Universidad de Michigan y la compa\u00f1\u00eda farmac\u00e9utica Sanofi han presentado una solicitud de patente para este m\u00e9todo experimental de entrenamiento del algoritmo utilizado en el estudio.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t BIBLIOGRAPHY<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t

UNIVERSITY OF MICHIGAN <\/strong><\/p>

https:\/\/news.engin.umich.edu\/2023\/09\/ai-tool-helps-optimize-antibody-medicines\/<\/a><\/p>

NATURE<\/strong><\/p>

https:\/\/www.nature.com\/articles\/s41551-023-01074-6<\/a><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<\/div>","protected":false},"excerpt":{"rendered":"

Investigadores desarrollaron un modelo de aprendizaje autom\u00e1tico capaz de identificar mejoras para anticuerpos terap\u00e9uticos. Las terapias con anticuerpos pueden activar el sistema inmunol\u00f3gico para combatir enfermedades como el Parkinson, el Alzheimer y el c\u00e1ncer colorrectal, sin embargo, son menos efectivas cuando se unen a s\u00ed mismos y a otras mol\u00e9culas que no son marcadores de enfermedades. Una posible soluci\u00f3n a esta problem\u00e1tica es la inteligencia artificial (IA) espec\u00edficamente los algoritmos de aprendizaje autom\u00e1tico, ya que pueden encontrar las \u00e1reas en los anticuerpos que los hacen propensos a unirse a mol\u00e9culas no deseadas. Cuando se desarrollan anticuerpos para tratar enfermedades, es importante que se adhieran a mol\u00e9culas espec\u00edficas llamadas ant\u00edgenos, la tarea de estos es unir mol\u00e9culas espec\u00edficas llamadas ant\u00edgenos a los agentes que causan enfermedades. Al unirse, el anticuerpo inactivo directamente los virus o c\u00e9lulas da\u00f1inos o indica a las c\u00e9lulas inmunitarias del cuerpo que lo hagan. Asimismo, tambi\u00e9n es importante que solo se unan a los ant\u00edgenos y no a otros elementos o mol\u00e9culas no da\u00f1inas. De igual manera, es importante que los anticuerpos no se adhieran entre s\u00ed y se vuelvan muy espesos. Encontrar anticuerpos que hagan todo esto correctamente es una tarea complicada. Investigadores de la Universidad de Michigan desarrollaron un modelo de IA basado en aprendizaje autom\u00e1tico capaz de identificar las posiciones en los anticuerpos que est\u00e1n causando problemas, cambiar sus posiciones y as\u00ed corregir estos problemas que disminuyen la efectividad de los medicamentos. Seg\u00fan el Dr. Peter Tessier, investigador de ciencias farmac\u00e9uticas y de ingenier\u00eda biom\u00e9dica de la Universidad de Michigan: \u201cestos modelos son \u00fatiles porque se pueden aplicar a anticuerpos existentes, a nuevos anticuerpos en desarrollo e incluso a anticuerpos que a\u00fan no se han creado\u201d. En este sentido, seg\u00fan el estudio publicado en Nature Biomedical Engineering, el aprendizaje autom\u00e1tico ha aprendido acerca de muchos anticuerpos diferentes, para as\u00ed determinar cu\u00e1les anticuerpos son buenos para unirse a los ant\u00edgenos y no a otras mol\u00e9culas. De igual forma el modelo puede determinar cu\u00e1les anticuerpos no se pegan entre s\u00ed. \u201cEl anticuerpo ideal deber\u00eda hacer tres cosas a la vez: unirse firmemente a lo que se supone que deben hacer, repelerse entre s\u00ed e ignorar otras cosas en el cuerpo\u201d, explic\u00f3 el Dr. Tessier. Adem\u00e1s, seg\u00fan Emily Makowski primera autora del estudio, explorar todos los cambios de un solo anticuerpo lleva hasta dos d\u00edas de trabajo con este modelo, un tiempo mucho menor a lo que ser\u00eda medir experimentalmente cada anticuerpo modificado, proceso que lleva meses e incluso a\u00f1os. \u201cLos modelos del equipo, entrenados a partir de datos experimentales de anticuerpos en fase cl\u00ednica, pueden identificar c\u00f3mo modificar los anticuerpos para que cumplan los tres requisitos con una precisi\u00f3n del 78% al 88%. Esto reduce el n\u00famero de cambios de anticuerpos que los ingenieros qu\u00edmicos y biom\u00e9dicos tienen que fabricar y probar en el laboratorio\u201d, explica el estudio. Los autores del estudio resaltan el importante rol del aprendizaje autom\u00e1tico para acelerar el desarrollo de f\u00e1rmacos, el cual tiene el potencial de optimizar una nueva generaci\u00f3n de anticuerpos terap\u00e9uticos. Incluso la Universidad de Michigan y la compa\u00f1\u00eda farmac\u00e9utica Sanofi han presentado una solicitud de patente para este m\u00e9todo experimental de entrenamiento del algoritmo utilizado en el estudio. BIBLIOGRAF\u00cdA UNIVERSITY OF MICHIGAN https:\/\/news.engin.umich.edu\/2023\/09\/ai-tool-helps-optimize-antibody-medicines\/ NATURE https:\/\/www.nature.com\/articles\/s41551-023-01074-6<\/p>","protected":false},"author":1,"featured_media":40814,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[156,160],"tags":[145],"class_list":["post-40812","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-big-data","category-noticias","tag-noticias"],"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/40812","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/comments?post=40812"}],"version-history":[{"count":0,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/40812\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media\/40814"}],"wp:attachment":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media?parent=40812"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/categories?post=40812"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/tags?post=40812"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}