Todo lo que sigue trata de Péptido. Mantenemos un lenguaje claro, nos apoyamos en la literatura y separamos lo bien documentado de lo que sigue abierto.
Actualizado el 2025-11-10. Las cifras y descripciones siguen la literatura publicada, no el material promocional.
=== Desarrollo de un fármaco === La creación de un fármaco es un proceso iterativo complejo y largo en el tiempo, que comienza con un simple “hit”, normalmente en un ensayo bioquímico in vitro. Un “hit” es una sustancia que tiene una actividad sobre la diana y que cumple los siguientes criterios: (1) actividad reproducible en un bioensayo relevante, (2) estructura conocida y gran pureza, (3) especificidad sobre la diana de estudio, (4) potencial confirmado de novedad, y (5) estructura químicamente manejable, es decir, que la molécula presenta cierta afinidad por la diana. Normalmente, identificar hits para una nueva diana requiere de un cribado de gran cantidad de moléculas estructuralmente diversas mediante un bioensayo in vitro. Como alternativa, las moléculas pequeñas se pueden cribar por su potencialidad para modular un proceso biológico que se cree que es crítico en una enfermedad o en el que se cree que la diana tiene un papel importante. Gracias a la asistencia computacional, miles de moléculas pueden pasar por este proceso de cribado inicial en un solo día. Una vez que su actividad es confirmada y validada, se convierte en un cabeza de serie. Siendo en esta fase de validación en la que se patenta. Si esta cabeza de serie emerge de los estudios en SAR, absorción, distribución, metabolismo y excreción (ADME) y toxicidad, adquiere el estado de "candidato a fármaco clínico". Para enfrentar los retos que supone el desarrollo de un nuevo fármaco se basan en dos estrategias principales: Productos naturales como fuente de compuestos terapéuticos o métodos informáticos.
Fuentes: es.wikipedia.org
Los productos naturales se han usado para tratar enfermedades desde hace miles de años. Es un campo con interés nuevamente por la comunidad científica, y ha resultado en un desarrollo sustancial en la industria farmacéutica. Algunos ejemplos de productos naturales en los que se basan estas estrategias son fitoquímicos, metabolitos fúngicos, toxinas y anticuerpos, entre otros. Otra tendencia son los métodos informáticos y computacionales basados en métodos de inteligencia artificial y aprendizaje automático, y incluyendo campos tan importantes como la quimioinformática, bioinformática y métodos semánticos.
Fuentes: es.wikipedia.org
== Aprendizaje automático para descubrimiento de fármacos == Una de las aplicaciones en el aprendizaje automático para el descubrimiento de fármacos es ayudar a los investigadores a entender y explotar la relación entre las estructuras químicas y sus actividades biológicas o SAR. Cuando se tiene un “hit” de una campaña de cribado de fármacos, se busca como se puede optimizar la estructura química para mejorar su afinidad de unión, respuesta biológica o propiedades físico-químicas. Las técnicas de aprendizaje automático incluyen aprendizaje supervisado y no supervisado. Dentro del método supervisado se encuentra el análisis de regresión, basándose los primeros modelos de QSAR en regresión lineal multivariante, aunque otros métodos usados recientemente son least absolute shrink-age and selection operator (LASSO). Otra técnica popular dentro de este grupo es regresión de mínimos cuadrados parciales (PLS). Normalmente estas técnicas se combinan con métodos no supervisados como análisis de componentes principales (PCA) para reducir la dimensionalidad de los datos. Aunque el análisis de regresión lineal se ha utilizado en muchos problemas de optimización de fármacos, tiene limitaciones que hacen que no sea válido para la mayoría de los problemas de QSAR. Otros métodos supervisados que se han utilizado son bosques aleatorios y máquinas de vectores de soporte (SVM).
Fuentes: es.wikipedia.org
Sin embargo, destacan la redes neuronales artificiales (ANN) que se han aplicado ampliamente a todas las ramas de la quimioinformática, incluido el modelado de propiedades QSAR / QSPR de moléculas pequeñas, así como la realización de análisis farmacocinéticos y farmacodinámico. Hoy día, las técnicas modernas de aprendizaje automático se pueden usar para modelar QSAR, o relaciones cuantitativas estructura-propiedad (QSPR), y desarrollar programas de inteligencia artificial que predicen con precisión in silico como las modificaciones químicas pueden influir en el comportamiento biológico. Muchas propiedades fisicoquímicas de los fármacos, como la toxicidad, el metabolismo, las interacciones fármaco-fármaco y la carcinogénesis, se han modelado eficazmente mediante técnicas QSAR.
Fuentes: es.wikipedia.org
Péptido se resume aquí a partir de literatura pública: definición, contexto y los puntos que se repiten en la práctica. Información general, no consejo médico.
La investigación sobre Péptido se apoya sobre todo en estudios de laboratorio y en modelos animales; los datos clínicos varían según la sustancia. Reflejamos el estado de la literatura.
Lo decisivo son la pureza y la analítica (HPLC, espectrometría de masas), una reconstitución correcta y un almacenamiento adecuado.%!(EXTRA string=Péptido)
No todos los mecanismos están demostrados y un estudio aislado no es evidencia global. Esta página señala las preguntas abiertas en lugar de darlas por resueltas.%!(EXTRA string=Péptido)