Etiquetas y patógenos que transmiten, afectan la salud pública y la salud de los animales en todo el mundo. El desarrollo de vacunas para el control de estos parásitos es una de las áreas científicas que pueden beneficiarse del uso de inteligencia artificial.
En muchos años, se usaron caresas químicas para el control de garrapatas, pero estos compuestos contaminan el medio ambiente y los animales y dan como resultado garrapatas de tratamiento resistentes al tratamiento. Para enfrentar este desafío, las vacunas son el método más efectivo y sostenible para reducir los riesgos de enfermedades transmitidas. También podemos usarlo como ejemplo para explicar el papel de la inteligencia artificial en el desarrollo de este tipo de tratamientos preventivos.
¿Cómo se crea la vacuna?
El desarrollo histórico de la vacuna es un proceso de prueba y error. Se usaron versiones inactivadas de patógeno y vector o se probaron extractos de proteínas hasta que encontraron una vacuna potencial. Estos son años requeridos de experimentación y a menudo dependen del caso.
Hoy, gracias a los datos científicos que acumulamos (secuencias genéticas, estructuras de proteínas y respuestas inmunes), pueden diseñarse antes de probarlos en el laboratorio, ahorrando tiempo y dinero, al mismo tiempo aumentando la posibilidad de diseñar soluciones efectivas.
Vacas inoculadas con una vacuna de etiquetado, en cuya inteligencia de inteligencia de desarrollo. José de la Fuente.
¿Cómo elegimos la mejor proteína para que el sistema inmune la reconozca y cree protección con la vacuna? Primero recopilamos datos: obtenemos todas las proteínas RAG conocidas y cualquier información sobre ellas.
Además, para encontrar la proteína candidata más eficiente, hacemos varias preguntas: ¿puede generar anticuerpos usted mismo? ¿Es necesario para la supervivencia de las garrapatas? ¿Está en la ubicación del anticuerpo disponible? ¿Parece proteínas humanas para evitar reacciones autoinmunes? ¿Son eso tóxico o de alergia?
En algunos casos, tendremos respuestas gracias a experimentos anteriores. Pero, como un proto (un conjunto de todas las proteínas de un organismo completo), marca miles de proteínas, no podemos analizarlas una a la vez en el laboratorio. Entra en inteligencia artificial aquí.
Gracias a ella, podemos desarrollar predictores; Es, modelos basados en las respuestas de varias proteínas que probamos experimentalmente, capaces de “anticipar” las respuestas para aquellos que no conocemos.
Aprendizaje automático en laboratorio
Modelos como Chatggpt o Dall dan una sensación falsa de que la IA funciona como una mente humana. Sin embargo, es un conjunto muy específico de modelos que llamamos “cajas negras”, porque es muy difícil entender cómo funcionan sus procesos de aprendizaje. Afortunadamente, la mayoría de los algoritmos que usamos en la ciencia son intuitivos.
Estos son modelos de aprendizaje automático, modelos matemáticos que aprenden el reconocimiento de patrones en grandes cantidades de datos. El ejemplo clásico es el algoritmo de los “vecinos más cercanos” (K-Tosest o K-NN), uno de los primeros modelos de IA. Es uno de los muchos que usamos para responder a preguntas anteriores para decidir si la proteína produce anticuerpos.
“Vecino más cercano”
Todo comienza a entrenar modelos con muchas proteínas que ya sabemos si son inmunogénicos o no. En este primer paso, también damos otros datos de proteínas, como su forma o estructura.
Luego, el modelo organiza estas proteínas en el “mapa”, como si fueran casas en un vecindario. Cuando llega una nueva proteína, está en un “vecindario” de acuerdo con sus características. Finalmente, la apariencia que están cerca y, si la mayoría de sus “vecinos” es inmunógeno, ella concluye que probablemente también sea.
El cuadro se explica cómo el algoritmo K-N IA y la evaluación de la estructura de vacunación seleccionada para la vacunación utilizando Alfafald3 para comparar la estructura modelada con la estructura real. José de la Fuente et al.
De esta manera, el programa, en el ejemplo explicativo es la vaxiene, no habla si la proteína produce anticuerpos, pero compara datos y concluye conclusiones basadas en patrones anteriores, al tiempo que proporciona capacitación para un nuevo análisis. Estos tipos de modelos fueron una ciencia clave mucho antes de que Chatggpt llegara a nuestra vida.
Otra gran herramienta es Alphaphold3, un modelo que ha desarrollado una profunda profunda, que utiliza redes neuronales puede quitar la estructura de la proteína 3D.
Muchos otros estudios incluyen la creación de nuevos modelos y relacionados con la vacunación cuántica, como las que exploramos en el Instituto de Investigación de Recursos de Caza.
En resumen, la inteligencia artificial es básica en el diseño de la vacuna: esto acelerará el procedimiento para decidir cuáles son las mejores proteínas para generar vacunas asequibles, seguras y eficientes para progresar en el control de la garrapata y la transmisión de enfermedades.
Descubre más desde USA Today
Suscríbete y recibe las últimas entradas en tu correo electrónico.
Spanish 