Archivo de la categoría: TECNOLOGÍA

Nanopartículas disfrazadas de fragmentos de células de la sangre se deslizan pasando defensa inmune del cuerpo

Los investigadores dicen que han encontrado una manera de pasar de contrabando nanopartículas portadoras de drogas sobrepasando el sistema inmunológico del cuerpo: camuflándolas para parecerse a fragmentos de células que se encuentran en la sangre humana

Micrografía electrónica de las nanopartículas con recubrimiento de plaquetas

Se pueden diseñar nanopartículas artificiales —creadas a partir de plástico o de metal— para entregar una dosis de medicamento a áreas específicas del cuerpo. Pero a menudo son atacados y tragados por el sistema de defensa natural del cuerpo, que los ve como invasores del exterior.

Las partículas disfrazadas no sólo son capaces de evadir la detección, sino que también explotan las propiedades naturales de las plaquetas para tratar las infecciones bacterianas y para reparar los vasos sanguíneos dañados con más eficacia que las formas convencionales de entrega de medicamentos, informa el equipo. Los investigadores fueron dirigidos por Liangfang Zhang de la Universidad de California, San Diego, y publicaron su trabajo en la revista Nature el 16 de septiembre.

El equipo de Zhang comenzó con partículas de un tamaño de 100 nanómetros hechas del polímero biodegradable PLGA, y las recubrió con membranas extraídas de plaquetas humanas, fragmentos de células encontradas en la sangre que se acumulan en los sitios de daño tisular y comienzan el proceso de coagulación. Esto ayuda a las partículas a evadir el sistema inmune, dicen los autores.

Los investigadores han intentado previamente unir las piezas clave de membranas de plaquetas en nanopartículas para evitar el ataque inmunológico; en particular, la proteína CD47 de la plaqueta. Esa proteína envía una señal «no me comas» al sistema inmunológico del cuerpo, dice Dennis Discher, un nanoingeniero en la Universidad de Pennsylvania en Filadelfia. Sin embargo, las nanopartículas de Zhang cuentan con el conjunto más completo de proteínas de membrana, dice Omid Farokhzad, médico y nanotecnólogo en el Hospital Brigham y de Mujeres en Boston, Massachusetts, que escribió un artículo de News & Views que acompañó el artículo científico.

Asesinos encapuchados

Las nanopartículas recubiertas de plaquetas tienen otras ventajas. Las bacterias como Staphylococcus aureus resistente a meticilina (SARM), resistentes a la meticilina, por ejemplo, pueden pegarse a las plaquetas; una característica que explotan para protegerse del sistema inmunológico. Esto hace que, naturalmente, sea más probable que interactúen con nanopartículas recubiertas. Las plaquetas también son atraídas a las áreas específicas del cuerpo donde está ocurriendo el daño tisular.

Las partículas aprovechan las capacidades naturales únicas de las plaquetas», dice Samir Mitragotri, ingeniero químico de la Universidad de California, Santa Barbara, que no participó en el trabajo. «Este un enfoque muy innovador», añade.

El equipo de Zhang inyectó nanopartículas «encapuchadas» —con antibióticos en el interior— en ratones infectados con SARM (Staphylococcus aureus resistente a meticilina). Esto redujo las poblaciones de bacterias SARM en el hígado y el bazo 1.000 veces en comparación a cuando a los ratones se les dio antibióticos convencionales, y requiere sólo una sexta parte de la dosis del fármaco convencional. (En otros órganos, las nanopartículas también fueron más eficaces que la administración convencional de fármacos, pero la diferencia fue menos pronunciada).

El equipo también explotó el hecho de que las plaquetas tienden a migrar a los vasos sanguíneos dañados. Cargaron nanopartículas camufladas con el medicamento llamado docetaxel, para ver si se podía evitar el exceso de engrosamiento de las paredes arteriales dañadas (un efecto que puede causar problemas después de la cirugía). Cuando se inyectaron estas nanopartículas en las ratas que tenían dañados los vasos sanguíneos, las partículas se agruparon en concentraciones más grandes en los sitios dañados que en el tejido sano de las ratas. Y el tratamiento con docetaxel fue más eficaz cuando se administró de esta manera que cuando fue entregado en el torrente sanguíneo sin necesidad de utilizar nanopartículas, mostró el equipo.

Es impresionante la capacidad de administrar dosis altas de medicamentos a esos sitios, evitando las células del sistema inmunológico, llamadas macrófagos, que normalmente destruyen la mayoría de las nanopartículas incluso en los sitios de la enfermedad, dice Discher.

Signos de interrogación

Pero no todo el mundo está convencido de la capacidad de ocultar las partículas. Aunque una pequeña fracción de las partículas se agruparon en los sitios de la enfermedad, la gran mayoría de ellas terminó rápidamente en el hígado y el bazo de los animales; lo que sugiere que la mayoría de las partículas todavía seguían siendo capturadas por las defensas inmunitarias en esos lugares, dice Moein Moghimi, un especialista en productos farmacéuticos nanotecnológicos en la Universidad de Copenhague. Moghimi piensa que se necesita un examen mucho más riguroso de la respuesta inmune del cuerpo a las partículas.

 

 

Zhang dice que su equipo planea a continuación hacer grandes cantidades de estas nanopartículas encapuchadas, y probar su uso en animales más grandes antes de que las terapias lleguen a ser ensayadas en humanos. Debido a que las plaquetas tienden a agruparse alrededor de las células cancerosas en la sangre, así como alrededor de las bacterias, el equipo va a ver a continuación si se podrían utilizar las nanopartículas disimuladas para atacar el cáncer, añade.

El desarrollo de terapias de nanopartículas híbridas que combinen componentes sintéticos y biológicos será un camino largo y lleno de baches, dice Farokhzad. «Pero se trata de una tecnología por la que apostaría. Absolutamente. Creo que la promesa es enorme».

Nature doi: 10.1038/nature.2015.18380

Fuente: Nature News. Aportado por Eduardo J. Carletti

Más información:

Una máquina de aprendizaje profundo se enseña ajedrez a sí misma en 72 horas y juega al nivel de Maestro International

Han pasado casi 20 años desde que la supercomputadora IBM Deep Blue venció por primera vez al actual campeón mundial de ajedrez, Gary Kasparov, bajo las reglas del torneo estándar. Desde entonces, las computadoras que juegan al ajedrez se han vuelto mucho más potentes, dejando con pocas posibilidades a los mejores seres humanos, incluso en contra de un moderno programa de ajedrez que se ejecuta en un teléfono inteligente

Pero mientras que las computadoras se han vuelto más rápidas, la forma en que funcionan los programas de ajedrez no ha cambiado. Su poder se basa en la fuerza bruta, un proceso de búsqueda a través de todos los futuros movimientos posibles para encontrar el mejor.

Por supuesto, ningún ser humano puede igualar eso o acercarse de ninguna manera. Mientras que Deep Blue buscaba unos 200 millones de posiciones por segundo, es probable que Kasparov no estuviese buscando más de cinco por segundo. Y, sin embargo, jugaba en esencia al mismo nivel. Es evidente que los seres humanos tienen un truco bajo la manga que los ordenadores todavía tienen que dominar.

Este truco está en la evaluación de las posiciones de ajedrez y reducirlos a los caminos de búsqueda más rentables. Eso simplifica dramáticamente la tarea de cálculo, ya que poda el árbol de todos los movimientos posibles a unas pocas ramas.

Las computadoras nunca han sido buenas en esto, algo que hoy cambia gracias al trabajo de Mateo Lai en el Imperial College de Londres. Lai ha creado una máquina de inteligencia artificial llamada Giraffe (jirafa) que se ha enseñado ella misma a jugar al ajedrez mediante la evaluación de posiciones de una manera mucho más al estilo de los seres humanos, y de una manera totalmente diferente a los programas convencionales de ajedrez.

Recién estrenada, la nueva máquina juega al mismo nivel que los mejores programas de ajedrez convencionales, muchos de los cuales se han puesto a punto durante muchos años. A nivel humano, es equivalente a la condición de Maestro Internacional FIDE, colocándolo dentro de la parte superior, que es de 2,2 por ciento de los jugadores de ajedrez en los torneos.

La tecnología detrás de la nueva máquina de Lai es una red neuronal. Esta es una forma de procesar la información inspirada en el cerebro humano. Se compone de varias capas de nodos que están conectados de una manera que cambia cuando el sistema es capacitado. Este proceso de entrenamiento utiliza una gran cantidad de ejemplos para poner a punto las conexiones para que la red produzca una salida específica al dársele una cierta entrada, como reconocer la presencia de rostro en una imagen, por ejemplo.

En los últimos años, las redes neuronales se han convertido en muy poderosas gracias a dos avances. El primero es una mejor comprensión de cómo afinar estas redes a medida que aprenden, gracias en parte a las computadoras mucho más rápidas. El segundo es la disponibilidad de masivos conjuntos registrados de datos para entrenar las redes.

Eso ha permitido que los científicos informáticos entrenen redes mucho más grandes organizadas en muchas capas. Estas llamadas redes neuronales profundas han convertido en muy poderosas, y ahora superan habitualmente a los humanos en tareas de reconocimiento de patrones, como el reconocimiento facial y el reconocimiento de escritura.

Así que no es ninguna sorpresa que las redes neuronales profundas sean capaces de detectar patrones en el ajedrez, y eso es exactamente el enfoque que ha tomado Lai. Su red se compone de cuatro capas que, juntas, examinan cada posición en el tablero de tres maneras diferentes.

La primera observa el estado global del juego, cosas tales como el número y el tipo de piezas en cada lado, de qué lado va a mover, los derechos de enroque, y así sucesivamente. La segunda analiza características centradas en las piezas, tales como la ubicación de cada pieza en cada lado, mientras que el aspecto final analizado es el mapeo de los recuadross que cada pieza ataca y defiende.

Lai entrena a su red con un conjunto cuidadosamente generado de datos extraídos de juegos de ajedrez reales. Este conjunto de datos debe tener una correcta distribución de las posiciones. «Por ejemplo, no tiene sentido entrenar el sistema de posiciones con tres reinas de cada lado, porque esas posiciones casi nunca surgen en los juegos reales», dice.

También debe tener un montón de variedad de posiciones desiguales, más allá de las que normalmente se producen en los mejores juegos de ajedrez de nivel. Eso es porque a pesar de que estas posiciones desiguales rara vez surgen en los juegos de ajedrez en la realidad, sí surgen todo el tiempo en las búsquedas que el equipo realiza internamente.

Y este conjunto de datos debe ser enorme. La cantidad masiva de conexiones dentro de una red neuronal tiene que ser ajustada durante el entrenamiento, y esto sólo se puede hacer con un vasto conjunto de datos. Utilice un conjunto de datos demasiado pequeño y la red puede quedar en un estado que no reconoce la amplia variedad de modelos que se producen en el mundo real.

Lai generó su conjunto de datos eligiendo al azar cinco millones de posiciones de una base de datos de juegos de ajedrez de computadora. Luego creó una mayor variedad, añadiendo un movimiento legal al azar a cada posición antes de usarla para el entrenamiento. En total generó 175 millones de posiciones de esta manera.

La forma más habitual de entrenar estas máquinas es evaluar manualmente cada posición y utilizar esta información para enseñar a la máquina a reconocer a aquellas que son fuertes y las que son débiles.

Pero esta es una tarea enorme con 175 millones de posiciones. Se podría hacer con otro programa de ajedrez, pero la meta de Lai era más ambiciosa. Quería que la máquina aprendiera sola.

En su lugar, utilizó una técnica de programa de inicio en la que Giraffe jugó contra sí misma, con el objetivo de mejorar la predicción de su propia evaluación de una posición futura. Esto funciona porque no se fijan puntos de referencia que en última instancia determinan el valor de una posición, tanto si el juego más tarde se gana, se pierde o se empata.

De esta manera, la computadora se entera de qué posiciones son fuertes y cuáles son débiles.

Después de haber entrenado a Giraffe, el último paso fue probarla, y aquí los resultados dan una lectura interesante. Lai probó su máquina en una base de datos estándar llamada Test Suite Estratégico, que consta de 1.500 posiciones que son elegidas para poner a prueba la capacidad de un programa de reconocer diferentes ideas estratégicas. «Por ejemplo, un tema pone a prueba la comprensión del control de archivos abiertos, otras pruebas la comprensión de cómo cambia el valor del alfil y los caballos con respecto al otro en diferentes situaciones, e incluso en otras pruebas, la comprensión del control central», dice.

Los resultados de este ensayo fueron anotados al finalizar 15.000.

Lai utilizó esto para probar la máquina en diversas etapas durante su formación. Al comenzar el proceso de iniciación, Giraffe rápidamente alcanzó una puntuación de 6000 y, finalmente, culminó en 9700 después de sólo 72 horas. Lai dice que coincide con los mejores programas de ajedrez del mundo.

«[Esto] es notable debido a que sus funciones de evaluación son gigantes cuidadosamente diseñados a mano con cientos de parámetros que han sido afinados tanto manual como automáticamente durante varios años, y muchos de ellos han sido trabajadas por grandes maestros humanos», añade.

Lai va a utilizar el mismo tipo de enfoque de aprendizaje automático para determinar la probabilidad de que un movimiento determinado es digno de seguir probando. Eso es importante porque evita búsquedas innecesarias a lo largo de ramas no productivas del árbol y mejora dramáticamente la eficiencia computacional.

Lai dice que este enfoque probabilístico predice la mejor jugada el 46 por ciento de las veces, y ubica el mejor movimiento en los tres primeros del ranking el 70 por ciento de las veces. Así que el equipo no tiene que molestarse con los otros movimientos.

Este es un trabajo interesante que representa un cambio importante en la forma en que trabajan los programas de ajedrez. No es perfecto, por supuesto. Una desventaja de Giraffe es que las redes neuronales son mucho más lentas que con otros tipos de procesamiento de datos. Lai dice que Giraffe tarda aproximadamente 10 veces más que un motor de ajedrez convencional para buscar el mismo número de posiciones.
Pero incluso con esta desventaja, es competitiva. «Giraffe es capaz de jugar en el nivel de un Maestro Internacional de la FIDE en una PC moderna comercial común», dice Lai. En comparación, los mejores programas juegan al nivel de super-gran maestro.

Eso sigue siendo impresionante. «A diferencia de la mayoría de los programas de ajedrez en existencia hoy, Giraffe deriva su capacidad de juego no por ser capaz de ver muy lejos hacia delante, Sino por ser capaz de evaluar las posiciones difíciles con precisión, y comprender complicados conceptos posicionales que son intuitivos para los seres humanos, pero que han sido difíciles de alcanzar para los programas de ajedrez durante mucho tiempo», dice Lai. «Esto es especialmente importante en las fases de apertura y final del juego, donde se juega excepcionalmente bien.»

 

 

Y esto es sólo el comienzo. Lai dice que tiene que ser sencillo de aplicar el mismo enfoque a otros juegos. Uno que se destaca es el juego tradicional chino de Go, donde los seres humanos todavía tienen una ventaja impresionante sobre sus competidores de silicio. Quizás Lai podría abrir una grieta en ese lado.

Ref: arxiv.org/abs/1509.01549: Giraffe: Using Deep Reinforcement Learning to Play Chess.

Fuente: X. Aportado por Eduardo J. Carletti

Más información:

Activan las células del cerebro de gusanos con ultrasonido

La técnica, llamada Sonogenética, podría utilizarse para estimular neuronas específicas en forma no invasiva en otros animales

Los neurocientíficos han utilizado ultrasonidos para estimular células cerebrales individuales en un gusano, y es de esperar que la técnica —que ellos llaman ‘sonogenética’— podría ser adaptada para activar las neuronas de los ratones y de los animales más grandes.

La técnica se basa en las proteínas «canal» sensibles al tacto, que se pueden añadir a determinadas células del cerebro por medio de ingeniería genética. Los canales se abren cuando los impacta un pulso ultrasónico, que permite que los iones inunden una neurona y así hacer que se active.

El ultrasonido podría ser una manera menos invasiva para que los investigadores estimulen determinados tipos de células o neuronas individuales, en lugar de usar electrodos implantados o cables de fibra óptica, dice el neurobiólogo Sreekanth Chalasani, en el Instituto Salk para Estudios Biológicos en La Jolla, California, quien dirigió el estudio, en un informe en Nature Communications.

«Nuestra esperanza es crear una caja de herramientas de distintos canales que podrían, cada uno, responder a diferentes intensidades de ultrasonido», dice.

«Es una nueva idea genial, y ellos demuestran que esto en realidad podría ser factible», dice Jon Pierce-Shimomura, un neurocientífico que estudia el nematodo Caenorhabditis elegans en la Universidad de Texas en Austin. «Esto podría abrir una nueva manera de manipular el sistema nervioso de forma no invasiva a través de herramientas genéticamente codificables.»

Iluminar una célula

La investigación sigue los pasos de la optogenética, una popularizada técnica con una antigüedad una década, en la que las neuronas están diseñadas genéticamente para que puedan ser activados por la luz. La optogenética se basa en la inserción en las neuronas de proteínas con canales sensibles a la luz. Cuando les llega luz del color correcto, que a menudo se envía al cerebro a través de un cable de fibra óptica, los canales se abren, permitiendo que fluyan los iones.

La sonogenética no reemplazará la optogenética, dice William Tyler, un neuroingeniero que se especializa en la estimulación cerebral por ultrasonidos en la Universidad Estatal de Arizona en Tempe. «Sin embargo, con este trabajo, hay una herramienta más en el conjunto», dice.

Hace tiempo que se utilizan ultrasonidos para aplicaciones médicas. Estas ondas de baja intensidad ayudan a los médicos a monitorear fetos o el funcionamiento del corazón. Y se pueden utilizar pulsos ultrasónicos de alta intensidad para calentar y destruir ciertos tejidos enfermos. En los últimos años, dice Tyler, los investigadores han tomado un interés creciente en el uso de la ecografía como una forma no invasiva para estimular el cerebro y los nervios, tanto en animales como en humanos. Él y su equipo publicó uno de los primeros informes sobre la estimulación cerebral por ultrasonidos en los seres humanos en 2014.

Pero mientras que el trabajo anterior estimula regiones particulares del cerebro, la sonogenética muestra que es posible dirigirse a un tipo específico de célula, o a una neurona individual, dice Chalasani. Su equipo encontró que el canal iónico PRT-4 desempeña un papel clave para ayudar a que el gusano sienta las vibraciones, y podría ser manipulado para lograr efectos dramáticos.

Debido a que el ultrasonido no viaja bien a través del aire, los investigadores primero pusieron gusanos en una placa de petri, parcialmente sumergidos en un baño de agua. Enviaron una corta ráfaga de ultrasonido a la placa, y se amplificaron las ondas de baja presión agregando burbujas microscópicas de lípidos en la superficie de la placa de Petri, que resonó con las vibraciones.

Agregando la proteína TRP-4 en neuronas con funciones diferentes, los investigadores pudieron hacer que los gusanos se arrastraran libremente en sentido contrario, dejar de avanzar así, o hacer giros cerrados más frecuentes en respuesta a un breve pulso de ultrasonidos de baja presión.

Grandes ambiciones

En última instancia, Chalasani espera que la técnica se puede utilizar en otros animales. El equipo se está preparando para poner a prueba su sistema en ratones, aunque éstos no producen naturalmente el canal TRP-4, por lo que no está claro cómo se comportaría la proteína, o si podrían funcionar mejor otros canales iónicos.

En el gusano, el equipo de Chalasani vio indicios de que al menos otro canal iónico está sintonizado con ondas de ultrasonido de una presión ligeramente superior a la utilizada en la mayor parte del estudio. Esto abre la posibilidad de que los diferentes canales de iones podrían ser seleccionados, o incluso diseñados, para aplicaciones personalizadas, dice.

Aun si la sonogenética llega a ser ampliamente utilizada en la investigación básica, la traducción en los seres humanos todavía puede estar limitada por los desafíos de la manipulación genética de la expresión de canales iónicos en las personas, señala Chalasani. «Esa es una gran pregunta para ambos, la optogenética y la sonogenética: ‘¿Cómo se pone este canal en forma segura en la célula o células del tipo que nos interesa?’ »

 

 

Pero Tyler se pregunta si podría que no fuese necesario utilizar manipulaciones genéticas invasivas para utilizar los principios de la sonogenética en los seres humanos. Podría ser que los diferentes tipos de neuronas —debido a sus diferentes proteínas de canal y estructura física— sean intrínsecamente sensibles y, por lo tanto, controlables por diferentes secuencias de pulsos de ultrasonido, independientemente de si pueden ser diseñadas genéticamente.

«Esa es una posibilidad realmente fascinante, y este trabajo abre eso», dice.

Carácter doi: 10.1038/nature.2015.18368

Fuente: Nature News. Aportado por Eduardo J. Carletti

Más información: