Leila Pirhaji, fundadora y CEO de ReviveMed, comenzó a trabajar en el tema durante su etapa como posgrado en el MIT. El problema que ella y sus colegas vieron fue la inmensa complejidad de las interacciones entre las proteínas, que están codificadas en ADN y ARN, y los Metabolitos, una clase de biomoléculas con una variedad aún mayor. Escondidas en estas interacciones innumerables en alguna parte hay pistas sobre cómo y por qué los procesos biológicos están yendo mal, y quizás cómo abordar eso.

Lo que dijo Pirhaji

"La interacción de proteínas y metabolitos nos dice exactamente lo que está sucediendo en la enfermedad".

"Pero hay más de 40,000 metabolitos en el cuerpo humano. El ADN y el ARN son fáciles de medir, pero los metabolitos tienen una enorme diversidad en masa. Cada uno requiere su propio experimento para detectar". Como se puede imaginar, el tiempo y el dinero que estaría involucrado en una batería tan extensa de pruebas han hecho que la metabolómica sea difícil de estudiar. Pero lo que Pirhaji y sus colaboradores en el MIT decidieron fue que era lo suficientemente similar a otros problemas de "grandes conjuntos de datos ruidosos" que el enfoque incipiente del aprendizaje automático podría ser efectivo.

"En lugar de hacer experimentos", dijo Pirhaji, "¿por qué no utilizamos AI y nuestra base de datos?" ReviveMed, que fundó junto con el científico de datos Demarcus Briers y el veterano biotecnológico Richard Howell, es la encarnación de esa propuesta.

Las compañías farmacéuticas y las organizaciones de investigación ya tienen un desorden de masas de metabolitos, interacciones conocidas, efectos sospechosos pero no probados y estados de enfermedad y resultados.

Se hace mucha experimentación

Los resultados son frustrantemente vagos debido a la incapacidad de estar seguros acerca de los metabolitos en sí mismos o de lo que están haciendo.

La mayoría de la experimentación ha resultado en una comprensión parcial de una pequeña proporción de metabolitos conocidos. Esa información no es solo un valor de varias unidades de hojas de cálculo y gráficos. Los datos no solo comprenden las interacciones fármaco-proteína, proteína-proteína, proteína-metabolito y metabolito-enfermedad, sino que también incluyen datos que, en esencia, nunca se han analizado: "Estamos analizando metabolitos que nadie ha observado antes."

La información está en un archivo en algún lugar, acumulando polvo

"De hecho, tenemos que ir físicamente a recoger los archivos de espectrometría de masas", dijo Pirhaji.

("Son enormes", agregó). Una vez que obtuvieron los datos en un solo lugar (Pirhaji lo describió como "una gran bola de pelo con millones de interacciones" en una presentación en marzo), desarrollaron un modelo para evaluar y caracterizar todo, produciendo el tipo de aprendizaje automático.

¡No te pierdas nuestra pagina de Facebook!!