Cuando inicia sesiĆ³n en LinkedIn, generalmente se le presentan sugerencias para conectarse con personas que conoce, fue porque fue a la misma universidad que ellos o que trabajĆ³ 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 superposiciĆ³n profesional, es posible que se pregunte cĆ³mo 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 informaciĆ³n de la vecindad inmediata de cada nodo: nuestros enlaces directos en LinkedIn. Luego los agregan e integran en el nodo original.
DespuĆ©s de este proceso, cada perfil refleja sus propios datos y la red inmediata. Este proceso se puede informar varias veces: en otra iteraciĆ³n, cuando recopilemos informaciĆ³n de nuestros vecinos, ya tendrĆ”n informaciĆ³n recopilada de sus propios vecinos y, por lo tanto, tendremos informaciĆ³n 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 informaciĆ³n personal es importante, sino tambiĆ©n con quiĆ©n hemos conectado y con quiĆ©n estĆ”n conectados con nosotros. En la versiĆ³n completa del algoritmo de LinkedIn, como se usa en la prĆ”ctica, no solo hay nodos que representan a las personas, sino tambiĆ©n a otros tipos de nodos, como empresas o publicaciones.
Esto significa que el algoritmo puede obtener informaciĆ³n de nuestras conexiones personales y marcamos el contenido como favoritos o comunicados.
Si, por ejemplo, alguien tiene a su hermana como conexiĆ³n 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 investigaciĆ³n, solo quedĆ³ uno para ingresar ensayos clĆnicos. Este medicamento (con suerte) irĆ” a estar disponible para uso clĆnico entre la poblaciĆ³n general.
Aunque es necesario, la complejidad de esta verificaciĆ³n significa que el cambio de drogas se ha convertido en comĆŗn en comĆŗn durante dĆ©cadas. El objetivo de este proceso no es diseƱar 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 informaciĆ³n 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 mĆ”s utilizadas, DRGBank, excediĆ³ 841 medicamentos aprobados cuando se publicĆ³ por primera vez en 2006. AƱos, en 2.751 en la Ćŗltima actualizaciĆ³n 2024. AƱos. Esta creciente disponibilidad de datos proporciona el uso de modelos mĆ”s 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 informaciĆ³n bioquĆmica sobre proteĆnas para comunicarse a travĆ©s de enlaces conocidos.
Usando esta informaciĆ³n, el modelo puede decirnos la probabilidad de interacciĆ³n en la proteĆna de drogas que no hemos tenido en la base de datos antes, porque los algoritmos pueden analizar efectivamente grandes cantidades de informaciĆ³n. Estas interacciones pueden confirmarse en condiciones de laboratorio, ahorrando tiempo y dinero de un proceso de detecciĆ³n de larga duraciĆ³n.
La interacciĆ³n de red de la medicaciĆ³n proteica. Los enlaces en negro son interacciones conocidas. La marca de designaciĆ³n en la lĆnea intermitente indica la interacciĆ³n de la cual queremos confirmar. Š. Hernaez / Bioreder nuestra investigaciĆ³n
En BiologĆa informĆ”tica y Laboratorio de TraducciĆ³n 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 aplicaciĆ³n 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.
.webp)
0 Comentarios