Ingeniería biomolecular, celular y de tejidos
Microbiología, bioingeniería y biotecnología
Machine learning to predict mesenchymal stem cell efficacy for cartilage repair
Aprendizaje automático para predicción de eficacia de células madre mesenquimales para reparación de cartílago
En las últimas décadas, la terapia con células madre se ha convertido en una opción de tratamiento prometedora para reducir el dolor y reparar el cartílago. No obstante, en el caso de las células madre mesenquimales (MSC) se ha discutido en diversos ensayos clínicos sobre la inconsistencia de la eficacia terapéutica en la medicina regenerativa. Este documento destaca la importancia de realizar una predicción precisa del resultado terapéutico con MSC con base en las condiciones del paciente, de manera que el personal clínico cuente con referencias robustas para la toma de decisión frente a las estrategias de tratamiento. En ese sentido fue desarrollado un metaanálisis sobre las terapias de MSC para la reparación del cartílago mediante el aprendizaje automático y se generó una pequeña base de datos a partir de estudios clínicos e in vivo publicados. A partir del modelo de red neuronal propuesto, fue posible identificar las propiedades críticas que tienen un impacto significativo en la reparación del cartílago.
Este artículo fue realizado por Yu Yang Fredrik Liu (University of Cambridge, Cambridge, United Kingdom), Yin Lu, Steve Oh (Agency for Science Technology and Research (A*STAR), Singapore, Singapore), Gareth J. Conduit (University of Cambridge, Cambridge, United Kingdom) para PLoS Comput Biol (Vol. 16, núm. 10, 2020), una revista especializada en estudios sobre sistemas vivos en todas las escalas, desde moléculas y células hasta poblaciones de pacientes y ecosistemas, mediante la aplicación de métodos computacionales. Esta es una publicación de PLoS (San Francisco, California, US). Correo de contacto: [email protected]
Engineering gene overlaps to sustain genetic constructs in vivo
Ingeniería de superposiciones de genes para sostener constructos genéticos in vivo
La evolución puede ser un obstáculo para los diseños de sistemas biológicamente estables debido a la selección de mutaciones que inactivan costosos circuitos genéticos. En este sentido, la superposición de genes es una estrategia para inducir restricciones importantes en las secuencias y su evolución. El objetivo de este trabajo se centra en demostrar que dichas restricciones pueden ser aprovechadas para incrementar la estabilidad de genes costosos, mediante la combinación de enfoques de biología computacional y sintética para diseñar racionalmente un marco de lectura superpuesto que exprese un gen esencial dentro de un gen existente para proteger. Con base en los resultados de la investigación realizada se concluye que la superposición convierte a muchos de los posibles mutantes en callejones evolutivos sin salida, lo que reduce el potencial evolutivo del sistema y, por lo tanto, aumenta su estabilidad a lo largo del tiempo.
Este trabajo fue realizado por Antoine L. Decrulle (Universite de Paris, Paris, France), Antoine Frenoy (Université de Paris, Paris, France; Université Grenoble Alpes, Grenoble, France), Thomas A. Meiller-Legrand, Aude Bernheim, Chantal Lotton, Arnaud Gutierrez, Ariel B. Lindner (Université de Paris, Paris, France) para PLoS Comput Biol (Vol. 17, núm. 10, 2021), una revista especializada en estudios sobre sistemas vivos en todas las escalas, desde moléculas y células hasta poblaciones de pacientes y ecosistemas, mediante la aplicación de métodos computacionales. Esta es una publicación de PLoS (San Francisco, California, US). Correo de contacto: [email protected]
- Video:Seminario web sobre impulsores genéticos: ¿Qué son los impulsores genéticos? ¿Cómo trabajan?
- Fuente:ENSSER
