{"id":35100,"date":"2024-03-01T10:45:54","date_gmt":"2024-03-01T09:45:54","guid":{"rendered":"https:\/\/comet.technology\/?p=35100"},"modified":"2024-03-01T10:47:29","modified_gmt":"2024-03-01T09:47:29","slug":"aplicaciones-innovadoras-para-un-futuro-mas-verde-las-soluciones-digitales-para-la-salud-ambiental-del-proyecto-scenarios-a-traves-del-aprendizaje-profundo","status":"publish","type":"post","link":"https:\/\/comet.technology\/es\/2024\/03\/01\/aplicaciones-innovadoras-para-un-futuro-mas-verde-las-soluciones-digitales-para-la-salud-ambiental-del-proyecto-scenarios-a-traves-del-aprendizaje-profundo\/","title":{"rendered":"Aplicaciones innovadoras para un futuro m\u00e1s verde: las soluciones digitales para la salud ambiental del proyecto SCENARIOS a trav\u00e9s del aprendizaje profundo"},"content":{"rendered":"\n

Uniendo tecnolog\u00eda y atenci\u00f3n sanitaria, el proyecto SCENARIOS, financiado por Horizonte 2020 de la UE, es pionero en avances en evaluaci\u00f3n de riesgos y salud ambiental mediante la combinaci\u00f3n sin\u00e9rgica de qu\u00edmica computacional, quimioinform\u00e1tica y aprendizaje autom\u00e1tico con aprendizaje profundo. Introduce herramientas innovadoras para predecir las interacciones entre mol\u00e9culas y objetivos biol\u00f3gicos y la citotoxicidad de los compuestos, en consonancia con la visi\u00f3n libre de toxinas del Pacto Verde Europeo. Estos modelos combinan potencia computacional con dise\u00f1os centrados en el usuario, mejorando las capacidades de investigaci\u00f3n global.<\/p>\n\n

Todos los modelos est\u00e1n alojados en la plataforma Enalos Cloud<\/a> (Figura 1), que presenta interfaces f\u00e1ciles de usar que permiten a los investigadores ingresar estructuras qu\u00edmicas en varios formatos y recibir predicciones instant\u00e1neamente. La plataforma es de uso gratuito y no es necesaria autenticaci\u00f3n para acceder a las herramientas. Tambi\u00e9n hay disponible material de formaci\u00f3n para ayudar a los usuarios a explotar los modelos. Esta accesibilidad subraya el compromiso del proyecto de democratizar las herramientas computacionales avanzadas para la comunidad cient\u00edfica.<\/p>\n\n

\"\"
Figura 1: Captura de pantalla de la instancia de Enalos Cloud del proyecto SCENARIOS.<\/figcaption><\/figure>\n\n

A medida que investigamos m\u00e1s profundamente los detalles del proyecto SCENARIOS, es esencial reconocer su papel no solo en la evaluaci\u00f3n de los riesgos de exposici\u00f3n a largo plazo de las sustancias perfluoroalquiladas y polifluoroalquiladas (PFAS), sino tambi\u00e9n en el establecimiento de nuevos est\u00e1ndares para la gesti\u00f3n ambiental y la protecci\u00f3n de la salud. A trav\u00e9s de la fusi\u00f3n del aprendizaje profundo y la investigaci\u00f3n cient\u00edfica, el proyecto allana el camino hacia un futuro donde la tecnolog\u00eda y la atenci\u00f3n m\u00e9dica convergen para superar los desaf\u00edos del presente y desbloquear las posibilidades del ma\u00f1ana. Algunos de los desarrollos clave realizados hasta ahora durante el proyecto SCENARIOS incluyen:<\/p>\n\n

Predicci\u00f3n de la potencia biol\u00f3gica de los agonistas de PPAR\u03b4<\/strong>: siguiendo las directrices de la OCDE, este modelo de extrapolaci\u00f3n utiliza datos de bioensayos de PubChem para predecir la potencia biol\u00f3gica de nuevos agonistas de PPAR\u03b4, lo que ayuda a identificar compuestos con potencial terap\u00e9utico (enlace al servicio<\/a>, enlace a la documentaci\u00f3n<\/a>).<\/p>\n\n

\"\"
Figura 2: Entorno PPAR\u03b4 en Enalos Cloud Platform.<\/figcaption><\/figure>\n\n

Predicci\u00f3n mejorada de la afinidad de uni\u00f3n de mol\u00e9culas peque\u00f1as a PPAR\u03b3<\/strong>: aprovechando el poder del paquete DeepChem y el marco Keras DL, este modelo predice la afinidad de uni\u00f3n de mol\u00e9culas peque\u00f1as al receptor gamma activado por proliferador de peroxisomas (PPAR\u03b3), un objetivo de alta relevancia para las enfermedades metab\u00f3licas ( Enlace al servicio<\/a>, Enlace a Documentaci\u00f3n<\/a>).<\/p>\n\n

\"\"
Figura 3: Entorno PPAR\u03b3 en Enalos Cloud Platform.<\/figcaption><\/figure>\n\n

Predicci\u00f3n de citotoxicidad mediante modelos de consenso<\/strong>: un enfoque sin\u00e9rgico combina predicciones de aprendizaje profundo con descriptores moleculares, lo que mejora la precisi\u00f3n de las evaluaciones de citotoxicidad de los compuestos. Este modelo se comunica con el modelo de aprendizaje profundo anterior a trav\u00e9s de las API de Enalos (Figura 3) para integrar la afinidad de uni\u00f3n de los compuestos a PPAR\u03b3 en la predicci\u00f3n de su citotoxicidad. Este modelo emplea metodolog\u00edas como Random Forest, k-Nearest Neighbors y Support Vector Machine para obtener predicciones de consenso s\u00f3lidas (enlace al servicio<\/a>, enlace a la documentaci\u00f3n<\/a>).<\/p>\n\n

\"\"
Figura 4: Entorno de citotoxicidad de PPAR\u03b3 en la plataforma en la nube de Enalos.<\/figcaption><\/figure>\n\n
\"\"
Figura 5: Captura de pantalla de las API RESTful de escenarios.<\/figcaption><\/figure>\n\n

Predicci\u00f3n de mol\u00e9culas peque\u00f1as Factor de solubilidad y bioconcentraci\u00f3n: <\/strong>A trav\u00e9s de la instancia SCENARIOS de Enalos Cloud Platform es posible evaluar las propiedades y toxicidad de mol\u00e9culas peque\u00f1as bas\u00e1ndose en dos modelos de k-Vecinos m\u00e1s cercanos. En detalle, los modelos pueden predecir la solubilidad en agua de las mol\u00e9culas y el factor de bioconcentraci\u00f3n (BCF). BCF es una medida del potencial de una sustancia qu\u00edmica para acumularse en los tejidos de organismos vivos (particularmente organismos acu\u00e1ticos), lo que podr\u00eda provocar efectos nocivos en ellos o en el ecosistema. (Enlace al servicio (logS)<\/a>, Enlace al servicio (logBCF)<\/a>)<\/p>\n\n

Las aplicaciones del proyecto SCENARIOS podr\u00edan contribuir significativamente a comprender y mitigar los impactos ambientales y de salud de las PFAS. Dado que las PFAS interact\u00faan con biomol\u00e9culas como PPAR\u03b1\/\u03b3 y permiten su transporte dentro del cuerpo, comprender las interacciones PPAR-PFAS puede permitir dise\u00f1ar compuestos alternativos con un impacto m\u00ednimo. En este caso, aprovechando los modelos predictivos desarrollados para evaluar las interacciones y la toxicidad de las mol\u00e9culas peque\u00f1as, los investigadores pueden evaluar potencialmente los efectos de las PFAS sobre objetivos biol\u00f3gicos y su citotoxicidad. Estas herramientas ofrecen un enfoque computacional avanzado para detectar compuestos de PFAS de manera eficiente, predecir su persistencia ambiental y evaluar sus riesgos potenciales para la salud, aline\u00e1ndose con los esfuerzos globales para gestionar y reducir la exposici\u00f3n a PFAS.<\/p>\n\n

En todos los entornos, el entorno de entrada es el mismo. La interfaz gr\u00e1fica de usuario ofrece tres pesta\u00f1as que permiten aceptar una o varias estructuras como entrada en tres formatos diferentes:<\/p>\n\n