Notice: La función _load_textdomain_just_in_time ha sido llamada de forma incorrecta. La carga de la traducción para el dominio gr-base se activó demasiado pronto. Esto suele ser un indicador de que algún código del plugin o tema se ejecuta demasiado pronto. Las traducciones deberían cargarse en la acción init o más tarde. Por favor, ve depuración en WordPress para más información. (Este mensaje fue añadido en la versión 6.7.0). in /var/www/nueva_web_arquimea/wp-includes/functions.php on line 6114
Descubrimiento acelerado de medicamentos – Arquimea

Descubrimiento acelerado de medicamentos

Centramos nuestra investigación en cómo nuevos enfoques de la Inteligencia Artificial (IA), como el deep learning y las redes neuronales gráficas, pueden ayudar a acelerar el desarrollo de nuevos medicamentos para enfermedades neurodegenerativas, tales como la esclerosis lateral amiotrófica (ELA), la esclerosis múltiple o las enfermedades de Parkinson o de Alzheimer.

proyecto
Descripción del proyecto

No existen hoy en día técnicas computacionales fiables y precisas para predecir el resultado de los paneles de quinasas que se realizan in vitro, habituales en los procesos tradicionales de descubrimiento de proteínas con actividad farmacológica. A pesar de que en las últimas dos décadas se ha hecho un esfuerzo considerable en investigación y desarrollo de herramientas de apoyo a los biólogos en el descubrimiento de nuevos fármacos, el problema de la estimación in silico de medidas de afinidad usadas en laboratorio, permanece hoy en día inexplorado en su mayor parte. Nuestra rama de investigación utilizará técnicas novedosas en el campo de redes neuronales de grafos o Graph Neural Networks (GNN), que permitirán utilizar de forma eficaz no solo las propiedades químicas y físicas (incluso cuánticas) tanto de la molécula como de la proteína, sino también la estructura tridimensional de ambas.

La tecnología resultante de este orbital de investigación permitirá replicar en ordenador las pruebas experimentales de afinidad entre fármacos potenciales y proteínas quinasas. En otras palabras, permitirá sustituir la gran mayoría de pruebas de afinidad en laboratorio por pruebas in silico. El resultado será una drástica reducción del tiempo y coste de las pruebas de afinidad molécula-quinasa y, en última instancia, el aumento en varios órdenes de magnitud la cantidad de compuestos que podrán considerarse en un mismo estudio. Una técnica así, además, abrirá las puertas a nuevos procesos, más optimizados y automatizados, en los que los investigadores de nuevos fármacos, con la ayuda de esta técnica computacional, realizarán búsquedas masivas de pequeñas moléculas, tanto conocidas como nuevas, utilizando métricas ya conocidas y útiles.

tech
IA
Biotecnología
colaboran
Entidades colaboradoras
Univ. De Columbia
CICbioGune