Cr\u00e9dito: CC0 Public Domain <\/p>\n
Un grupo multiinstitucional de investigadores dirigido por la Escuela de Medicina de Harvard y los Institutos Novartis para la Investigaci\u00f3n Biom\u00e9dica ha creado un aprendizaje autom\u00e1tico de c\u00f3digo abierto herramienta que identifica las prote\u00ednas asociadas con los efectos secundarios de los medicamentos. <\/p>\n
El trabajo, publicado el 18 de junio en la revista Lancet EBioMedicine, ofrece un nuevo m\u00e9todo para desarrollar medicamentos m\u00e1s seguros mediante la identificaci\u00f3n de posibles reacciones adversas antes de que los candidatos a f\u00e1rmacos lleguen a ensayos cl\u00ednicos en humanos o ingresen al mercado como medicamentos aprobados.<\/p>\n
Los hallazgos tambi\u00e9n ofrecen informaci\u00f3n sobre c\u00f3mo el cuerpo humano responde a los compuestos farmacol\u00f3gicos a nivel molecular, tanto de manera deseada como no intencional.<\/p>\n
\u00abEl aprendizaje autom\u00e1tico no es una bala de plata para el descubrimiento de f\u00e1rmacos, pero s\u00ed creo que puede acelerar muchos aspectos diferentes en el dif\u00edcil y largo proceso de desarrollo de nuevos medicamentos\u00bb, dijo el coautor del art\u00edculo, Robert Ietswaart, investigador en gen\u00e9tica en el laboratorio de Stirling Churchman en el Instituto Blavatnik en HMS. Churchman no particip\u00f3 en el estudio.<\/p>\n
\u00abAunque no puede predecir todos los efectos adversos posibles, esperamos que nuestro trabajo ayude a los investigadores a detectar problemas potenciales desde el principio y desarrollar medicamentos m\u00e1s seguros en el futuro\u00bb, dijo Ietswaart. <\/p>\n
Los efectos secundarios de los medicamentos, conocidos t\u00e9cnicamente como reacciones adversas a los medicamentos, var\u00edan de leves a fatales. Pueden ocurrir cuando se toma un medicamento seg\u00fan lo prescrito o como resultado de dosis incorrectas, la interacci\u00f3n de m\u00faltiples medicamentos o el uso no indicado en la etiqueta (tomar un medicamento para algo diferente a lo que fue aprobado). Las reacciones adversas a medicamentos son responsables de 2 millones de hospitalizaciones en EE. UU. cada a\u00f1o, seg\u00fan el Departamento de Salud y Servicios Humanos, y ocurren durante el 10 al 20 por ciento de las hospitalizaciones, seg\u00fan los Manuales Merck.<\/p>\n
Investigadores y atenci\u00f3n m\u00e9dica Los proveedores han aplicado muchas t\u00e1cticas durante d\u00e9cadas para evitar o al menos minimizar las reacciones adversas a los medicamentos. Pero debido a que un solo medicamento a menudo interact\u00faa con m\u00faltiples prote\u00ednas en el cuerpo, no siempre limitado a los objetivos previstos, puede ser dif\u00edcil predecir qu\u00e9 efectos secundarios, si los hay, puede generar un medicamento. Y si un f\u00e1rmaco termina causando una reacci\u00f3n adversa, puede ser dif\u00edcil identificar cu\u00e1l de sus objetivos proteicos podr\u00eda ser el responsable.<\/p>\n
En el nuevo estudio, los investigadores tomaron una base de datos existente de reacciones adversas a medicamentos notificadas y otra base de datos de 184 prote\u00ednas con las que se sabe que ciertos medicamentos interact\u00faan a menudo. Luego construyeron un algoritmo inform\u00e1tico para unir los puntos.<\/p>\n
\u00abAprendiendo\u00bb de los datos, el algoritmo descubri\u00f3 221 asociaciones entre prote\u00ednas individuales y reacciones adversas espec\u00edficas a medicamentos. Algunas eran conocidas y otras eran nuevas.<\/p>\n
Las asociaciones indicaron qu\u00e9 prote\u00ednas probablemente representan dianas farmacol\u00f3gicas que contribuyen a efectos secundarios particulares y cu\u00e1les otras pueden ser espectadores inocentes.<\/p>\n
Basado en lo que ha Ya \u00abaprendido\u00bb y fortalecido por cualquier dato nuevo que los investigadores le proporcionen, el programa puede ayudar a los m\u00e9dicos y cient\u00edficos a predecir si es probable que un nuevo candidato a f\u00e1rmaco cause un determinado efecto secundario por s\u00ed solo o cuando se combina con medicamentos particulares. El algoritmo puede ayudar con estas predicciones antes de que un f\u00e1rmaco se pruebe en humanos, bas\u00e1ndose en experimentos de laboratorio que revelan con qu\u00e9 prote\u00ednas interact\u00faa el f\u00e1rmaco.<\/p>\n
La esperanza es aumentar la probabilidad de que un f\u00e1rmaco candidato resulte seguro para pacientes antes y despu\u00e9s de que llegue al mercado.<\/p>\n
\u00abEsto podr\u00eda reducir los riesgos que enfrentan los participantes del estudio durante los primeros ensayos cl\u00ednicos en humanos y minimizar los riesgos para los pacientes si un medicamento obtiene la aprobaci\u00f3n de la FDA y entra en uso cl\u00ednico, \u00bb dijo Ietswaart.<\/p>\n
Hack your side effects<\/p>\n
El proyecto naci\u00f3 en un hackat\u00f3n de ciencia cuantitativa organizado por los Institutos Novartis para la Investigaci\u00f3n Biom\u00e9dica (NIBR) en 2018.<\/p>\n
Laszlo Urban, jefe global de farmacolog\u00eda secundaria precl\u00ednica en NIBR, present\u00f3 algunos de los problemas que enfrenta su equipo al evaluar la seguridad de nuevos f\u00e1rmacos candidatos. Un grupo de estudiantes de posgrado y posdoctorados del \u00e1rea de Boston en el hackathon salt\u00f3 para aplicar su conocimiento de ciencia de datos y aprendizaje autom\u00e1tico.<\/p>\n
La mayor\u00eda de las veces, los proyectos del hackathon terminan como ejercicios de aprendizaje, dijo Urban. En esta rara ocasi\u00f3n, sin embargo, una interacci\u00f3n fuerte y duradera de cient\u00edficos inspirados de diferentes instituciones dio como resultado una aplicaci\u00f3n novedosa publicada en una revista muy respetada, dijo.<\/p>\n
Cuatro miembros del grupo original de hackathon se convirtieron en co- primeros autores del art\u00edculo: Ietswaart del HMS, Seda Arat del Laboratorio Jackson, Amanda Chen del MIT y Saman Farahmand de la Universidad de Massachusetts Boston. Arat ahora est\u00e1 en Pfizer. Otro miembro del equipo, Bumjun Kim de la Universidad Northeastern, es coautor. Urban se convirti\u00f3 en el autor principal del art\u00edculo.<\/p>\n
Para abordar el problema, el equipo construy\u00f3 su algoritmo de aprendizaje autom\u00e1tico y lo aplic\u00f3 a dos grandes conjuntos de datos: uno de Novartis con informaci\u00f3n sobre las prote\u00ednas con las que interact\u00faa cada uno de los 2000 medicamentos. con y uno de la FDA con 600.000 informes m\u00e9dicos de reacciones adversas a medicamentos en pacientes.<\/p>\n
El algoritmo gener\u00f3 informaci\u00f3n estad\u00edsticamente s\u00f3lida sobre c\u00f3mo las prote\u00ednas individuales contribuyen a las reacciones adversas documentadas, dijo Ietswaart.<\/p>\n
\u00abSugiere la respuesta fisiol\u00f3gica a la perturbaci\u00f3n de una prote\u00edna en particular o el gen que la produce a nivel molecular\u00bb, dijo.<\/p>\n
Muchos de los resultados respaldaron observaciones previas, como que la uni\u00f3n a la prote\u00edna hERG puede causar problemas card\u00edacos. arritmias Hallazgos como este fortalecieron la confianza de los investigadores en que el algoritmo funcionaba bien.<\/p>\n
Otros resultados, sin embargo, fueron inesperados.<\/p>\n
Por ejemplo, el algoritmo sugiri\u00f3 que la prote\u00edna PDE3 est\u00e1 asociada con m\u00e1s de 40 reacciones adversas a medicamentos. Los m\u00e9dicos e investigadores saben desde hace a\u00f1os que los inhibidores de la PDE3, comunes en los tratamientos anticoagulantes para la insuficiencia card\u00edaca aguda, la prevenci\u00f3n de accidentes cerebrovasculares y una complicaci\u00f3n de un ataque card\u00edaco conocida como shock cardiog\u00e9nico, pueden causar arritmias, recuentos bajos de plaquetas y niveles elevados de enzimas llamadas transaminasas, un posible indicador de da\u00f1o hep\u00e1tico. . Pero no se sab\u00eda que apuntar a la PDE3 podr\u00eda aumentar el riesgo de muchos otros efectos secundarios, incluidos algunos relacionados con los m\u00fasculos, los huesos, el tejido conectivo, los ri\u00f1ones, el tracto urinario y el o\u00eddo.<\/p>\n
Hacia el futuro<\/p>\n
El algoritmo tambi\u00e9n ofrec\u00eda predicciones sobre la probabilidad de que un f\u00e1rmaco en particular causara una determinada reacci\u00f3n adversa.<\/p>\n
\u00bfCu\u00e1n precisas eran esas nuevas predicciones? Para averiguarlo, los investigadores alimentaron su algoritmo con informaci\u00f3n actualizada. Hasta entonces, el programa hab\u00eda aprendido de las reacciones adversas a los medicamentos informadas hasta 2014. El equipo agreg\u00f3 informes recopilados desde 2014 hasta 2019, algunos de los cuales revelaron efectos secundarios que no se hab\u00edan observado antes de determinados medicamentos.<\/p>\n
Seguro suficiente, muchas de las predicciones no probadas previamente del algoritmo coincid\u00edan con los informes recientes del mundo real.<\/p>\n
\u00abLo que parec\u00edan predicciones falsas positivas demostraron no serlo en absoluto cuando los nuevos informes estuvieron disponibles\u00bb, dijo Ietswaart. <\/p>\n
Para estar m\u00e1s seguro de que el algoritmo es confiable, el equipo compar\u00f3 sus resultados con las etiquetas de los medicamentos, realiz\u00f3 una extracci\u00f3n de texto de la literatura cient\u00edfica y utiliz\u00f3 otras t\u00e9cnicas de validaci\u00f3n.<\/p>\n
Aunque los investigadores fortalecieron el modelo tanto como pudieron, todav\u00eda eval\u00faa menos del 1 por ciento de los 20,000 genes en el genoma humano.<\/p>\n
\u00abNuestro trabajo no es de ninguna manera una comprensi\u00f3n completa de los eventos adversos de los medicamentos porque muchos otros genes y las prote\u00ednas podr\u00edan contribuir para las cuales ning\u00fan ensayo es av medicamentos disponibles o no se han probado\u00bb, dijo Ietswaart.<\/p>\n
Los cient\u00edficos pueden usar, mejorar y construir sobre el modelo, que se publica de forma gratuita en l\u00ednea en https:\/\/github.com\/samanfrm\/ADRtarget.<\/p>\n
\u00abEste trabajo ha sido un esp\u00edritu colaborativo de ‘ciencia abierta’ y un esfuerzo de equipo\u00bb, dijeron Ietswaart y Urban. <\/p>\n
Explorar m\u00e1s<\/p>\n
Se necesitan mayores esfuerzos para animar a los pacientes a notificar las reacciones adversas a los medicamentos M\u00e1s informaci\u00f3n:<\/strong> EBioMedicine (2020). DOI: 10.1016\/j.ebiom.2020.102837 Informaci\u00f3n de la revista:<\/strong> The Lancet , EBioMedicine <\/p>\n Proporcionado por la Escuela de Medicina de Harvard Cita<\/strong>: Herramienta de aprendizaje autom\u00e1tico de c\u00f3digo abierto que conecta objetivos farmacol\u00f3gicos con reacciones adversas (2020, 18 de junio) recuperado el 31 de agosto de 2022 de https:\/\/medicalxpress.com\/news\/2020-06-open-source-machine-tool-drug-adverse.html Este documento est\u00e1 sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigaci\u00f3n privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona \u00fanicamente con fines informativos.<\/p>\n","protected":false},"excerpt":{"rendered":" Cr\u00e9dito: CC0 Public Domain Un grupo multiinstitucional de investigadores dirigido por la Escuela de Medicina de Harvard y los Institutos Novartis para la Investigaci\u00f3n Biom\u00e9dica ha creado un aprendizaje autom\u00e1tico de c\u00f3digo abierto herramienta que identifica las prote\u00ednas asociadas con los efectos secundarios de los medicamentos. El trabajo, publicado el 18 de junio en la … Continuar leyendo \u00abHerramienta de aprendizaje autom\u00e1tico de c\u00f3digo abierto que conecta objetivos farmacol\u00f3gicos con reacciones adversas\u00bb<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-29147","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/29147","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/comments?post=29147"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/29147\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=29147"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=29147"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=29147"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}