Cuando inicia sesión en LinkedIn, generalmente se le presentan sugerencias para conectarse con personas que conoce, fue porque fue a la misma universidad que ellos o que trabajó en la misma empresa o industria.
Sin embargo, las sugerencias a veces pueden sorprendernos, como cuando el algoritmo recomienda un primo o un amigo de la familia a pesar de que lo hacen en un campo completamente diferente. Dada la falta general de superposición profesional, es posible que se pregunte cómo Linkedn podrĆa saber sobre estas relaciones de la vida real.
Algoritmos de inteligencia artificial (AI) que ejecutan estas recomendaciones utilizan el tipo de tecnologĆa conocida como una red neuronal grĆ”fica basada en grĆ”ficos: estructuras matemĆ”ticas hechas de nodos y conexiones (tambiĆ©n conocidas como "bordes") que los conectan. Para una red social como LinkedIn, el grĆ”fico se puede generar donde los nodos representan a cada usuario, mientras que los enlaces estĆ”n conectados entre ellos.
Estos algoritmos recopilan información de la vecindad inmediata de cada nodo: nuestros enlaces directos en LinkedIn. Luego los agregan e integran en el nodo original.
Después de este proceso, cada perfil refleja sus propios datos y la red inmediata. Este proceso se puede informar varias veces: en otra iteración, cuando recopilemos información de nuestros vecinos, ya tendrÔn información recopilada de sus propios vecinos y, por lo tanto, tendremos información de otro entorno.

Un ejemplo de una red social. El nudo morado representa el perfil de LinkedIn. Las conexiones inmediatas (vecinos de primer grado) se extienden al exterior, con vecinos del segundo y tercer grado mĆ”s. Š. Hernaez / Bienender. Relaciones web
En estas redes, no solo nuestra información personal es importante, sino también con quién hemos conectado y con quién estÔn conectados con nosotros. En la versión completa del algoritmo de LinkedIn, como se usa en la prÔctica, no solo hay nodos que representan a las personas, sino también a otros tipos de nodos, como empresas o publicaciones.
Esto significa que el algoritmo puede obtener información de nuestras conexiones personales y marcamos el contenido como favoritos o comunicados.
Si, por ejemplo, alguien tiene a su hermana como conexión y "le gustaron" las publicaciones que le encantan a su yerno, el algoritmo no solo puede compartir los intereses, sino que de alguna manera puede de alguna manera.
Algoritmos de redes sociales en biomedicina
Desarrollar un medicamento a partir de cero es extremadamente costoso y prolongado. El proceso de descubrimiento a menudo recuerda el embudo. En la parte superior, todos los candidatos potenciales ingresan y, despuĆ©s de estrecharse en varias etapas de investigación, solo quedó uno para ingresar ensayos clĆnicos. Este medicamento (con suerte) irĆ” a estar disponible para uso clĆnico entre la población general.
Aunque es necesario, la complejidad de esta verificación significa que el cambio de drogas se ha convertido en común en común durante décadas. El objetivo de este proceso no es diseñar nuevos medicamentos, sino encontrar un nuevo uso para los existentes.
Trate la enfermedad, nos centramos principalmente en dirigir las proteĆnas responsables de eso. Existen bases de datos pĆŗblicas y bien documentadas que contienen información sobre quĆ© proteĆnas de cualquier objetivo de drogas y esta base de datos han aumentado significativamente en los Ćŗltimos aƱos.
Una de las bases de datos mÔs utilizadas, DRGBank, excedió 841 medicamentos aprobados cuando se publicó por primera vez en 2006. Años, en 2.751 en la última actualización 2024. Años. Esta creciente disponibilidad de datos proporciona el uso de modelos mÔs complejos.
Con esta cantidad de datos, podemos crear una red de grĆ”ficos donde los medicamentos y las proteĆnas son nodos, y los lazos interactĆŗan entre ellos, como se registran en bases de datos. Una vez que tenemos una red, podemos aplicar algoritmos similares a los utilizados en las redes sociales: para cada fĆ”rmaco, agregamos información bioquĆmica sobre proteĆnas para comunicarse a travĆ©s de enlaces conocidos.
Usando esta información, el modelo puede decirnos la probabilidad de interacción en la proteĆna de drogas que no hemos tenido en la base de datos antes, porque los algoritmos pueden analizar efectivamente grandes cantidades de información. Estas interacciones pueden confirmarse en condiciones de laboratorio, ahorrando tiempo y dinero de un proceso de detección de larga duración.

La interacción de red de la medicación proteica. Los enlaces en negro son interacciones conocidas. La marca de designación en la lĆnea intermitente indica la interacción de la cual queremos confirmar. Š. Hernaez / Bioreder nuestra investigación
En BiologĆa informĆ”tica y Laboratorio de Traducción de la Universidad de Navarra, seguimos esta idea para desarrollar Gennius, un modelo que tiene como objetivo construir una red entre medicamentos y proteĆnas. Su aplicación ya ha mejorado los modelos existentes, especialmente en tĆ©rminos de tiempo de trabajo: en solo un minuto podemos evaluar unas 23,000 interacciones.
Si bien el modelo tiene buenas posibilidades predictivas, todavĆa hay margen de mejora. Por ejemplo, aparecen desafĆos al evaluar posibles interacciones con molĆ©culas que no son parte de la red o para las cuales tenemos datos originales pequeƱos. Aunque tĆ©cnicamente es posible generar la salida, el modelo a menudo ofrece resultados de confianza mĆ”s bajos en estos casos.
Al superar estos obstĆ”culos y mĆ”s investigaciones, estos modelos podrĆan desarrollarse en sistemas futuros que proporcionan recomendaciones personalizadas para cada paciente.
0 Comentarios