Video Experimental Relacionado
Updated: Jan 15, 2026
08:20
Systematic Approach to Identify Novel Antimicrobial and Antibiofilm Molecules from Plants' Extracts and Fractions to Prevent Dental Caries
Published on: March 31, 2021
6.8K
MegaEye: Aplicación de múltiples enfoques de aprendizaje automático para identificar compuestos orales con
Fabio Urbina1, Scott H Greenwald2, Patricia A Vignaux1
1Collaborations Pharmaceuticals Inc. 840 Main Campus Drive, Lab 3510, Raleigh NC 27606, USA.
Artificial intelligence in the life sciences
|January 14, 2026
Resumen
Los modelos de aprendizaje automático pueden predecir qué fármacos llegan al ojo después de la administración oral, superando las barreras oculares. Este enfoque identifica tratamientos potenciales para enfermedades oculares analizando las propiedades moleculares y clasificando compuestos naturales.
Área de la Ciencia:
- Oftalmología y Química Computacional
- Descubrimiento y Desarrollo de Fármacos
- Informática Biomédica
Sus antecedentes:
- El ojo posee barreras fisiológicas que dificultan la administración oral de fármacos para enfermedades oculares.
- La predicción de la capacidad de una molécula para atravesar las barreras oculares es crucial para la eficacia del tratamiento.
- Las aplicaciones de aprendizaje automático para predecir la bioactividad de los fármacos oculares están actualmente poco exploradas.
Objetivo del estudio:
- Curar conjuntos de datos y desarrollar modelos de aprendizaje automático para predecir la penetración ocular de fármacos después de la administración oral.
- Identificar candidatos a fármacos potenciales para el tratamiento de enfermedades oculares mediante administración oral.
- Explorar la utilidad de los modelos de lenguaje grandes para clasificar compuestos naturales según la actividad ocular.
Principales métodos:
- Curación de conjuntos de datos que incluyen propiedades moleculares, puntuaciones MPO de la barrera hematoencefálica y proxies de la barrera hematorretiniana.
- Desarrollo y validación de modelos de aprendizaje automático utilizando fármacos aprobados por la FDA con actividad ocular reportada.
- Aplicación de un modelo de lenguaje grande para clasificar más de 400.000 compuestos naturales según la actividad ocular potencial.
Principales resultados:
- Se curaron con éxito diversos conjuntos de datos para entrenar modelos predictivos de administración de fármacos oculares.
- Se validó la capacidad de los modelos de aprendizaje automático para identificar moléculas con potencial actividad ocular.
- Se identificó y clasificó un gran conjunto de compuestos naturales en función de su bioactividad ocular predicha.
Conclusiones:
- El aprendizaje automático ofrece una vía prometedora para predecir la penetración de fármacos oculares e identificar nuevos candidatos terapéuticos.
- Los modelos y el enfoque desarrollados pueden ampliarse para aplicaciones oculares más amplias, incluida la reutilización de fármacos.
- Este estudio demuestra el potencial de los métodos computacionales para acelerar el descubrimiento de tratamientos para afecciones oculares.
