IA para acelerar y reducir el coste de desarrollo de fármacos
Molecular Diversity, 2021
Resumen
Esta revisión analiza la aplicación de herramientas de inteligencia artificial, en particular los enfoques bayesianos, para agilizar el largo y costoso proceso de desarrollo de nuevos fármacos.
Al ayudar en tareas como la identificación de dianas moleculares y la predicción de objetivos como ADME-Tox, los modelos de aprendizaje automático se utilizan en todas las etapas, desde la investigación básica hasta la poscomercialización.
Esta revisión pretende tender un puente entre químicos y matemáticos, centrándose en el modelado molecular y las aplicaciones de apoyo a la toma de decisiones, a menudo pasadas por alto en investigaciones similares.
Al ayudar en tareas como la identificación de dianas moleculares y la predicción de objetivos como ADME-Tox, los modelos de aprendizaje automático se utilizan en todas las etapas, desde la investigación básica hasta la poscomercialización.
Esta revisión pretende tender un puente entre químicos y matemáticos, centrándose en el modelado molecular y las aplicaciones de apoyo a la toma de decisiones, a menudo pasadas por alto en investigaciones similares.
Agilizar el proceso de desarrollo de fármacos mediante enfoques bayesianos en Inteligencia Artificial
¿Dónde se aplica?
El uso de enfoques bayesianos es aplicable a todo el proceso de desarrollo de fármacos, desde la investigación básica para el descubrimiento de fármacos, la fase preclínica, la fase clínica e incluso la fase posterior a la comercialización.
Se puede utilizar para identificar dianas moleculares, buscar compuestos certeros y de primera línea, sintetizar compuestos similares a fármacos, predecir el ADME-Tox y apoyar los procesos de toma de decisiones.
Se puede utilizar para identificar dianas moleculares, buscar compuestos certeros y de primera línea, sintetizar compuestos similares a fármacos, predecir el ADME-Tox y apoyar los procesos de toma de decisiones.
¿Por qué es importante?
El aprendizaje automático puede agilizar y reducir significativamente el coste del proceso, que tradicionalmente es largo y costoso. En concreto, el uso de enfoques bayesianos contribuye a mejorar la toma de decisiones y el modelado molecular, lo que puede dar lugar a fármacos más eficaces y seguros.
Además, un mejor entendimiento entre químicos y matemáticos puede mejorar la colaboración y la integración de la IA en el proceso de desarrollo de fármacos.
Además, un mejor entendimiento entre químicos y matemáticos puede mejorar la colaboración y la integración de la IA en el proceso de desarrollo de fármacos.
IA en el desarrollo de medicamentos: una perspectiva multidisciplinaria
Molecular Diversity, 2021
Otras publicaciones
Avances Actuales en Redes Neuronales
Producción de hadrones mediante dijets inclusivos con veto en rapidez
Asociación conjunta de la actividad física e índice de masa corporal con el riesgo cardiovascular
El artículo revisa el progreso de las redes neuronales enfatizando enfoques bayesianos y destaca su relevancia en análisis predictivos, análisis del comportamiento del cliente y gestión de riesgos en sectores empresariales.
El estudio explora parámetros para la expansión perturbativa en la colisión de partículas, ayudando al entendimiento de la física de partículas. En el largo plazo, aplica a campos como la computación cuántica, la tecnología de la salud y la energía nuclear.
El estudio refuta la paradoja de estar «con sobrepeso pero en forma», destacando la importancia de la pérdida de peso en combinación con la actividad física para aliviar los riesgos de enfermedades cardiovasculares.