traductor

domingo, 15 de marzo de 2026

Las vacunas contra el cancer

 

Clinical development of cancer vaccines

https://www.nature.com/articles/s41591-026-04241-9

Las vacunas contra el cáncer están demostrando una marcada eficacia contra los cánceres refractarios y formarán parte del arsenal terapéutico del futuro

. Además, en última instancia, se utilizarán para la prevención en personas de alto riesgo


Clinical development of cancer vaccines

Abstract

The limitations of current immune checkpoint inhibitor therapies highlight a need for improved strategies to expand tumor-reactive T cell repertoires in a way that is safe, selective and efficient. Cancer vaccines hold potential to achieve this goal, but the profound success of vaccines for infectious diseases has not yet translated to the cancer setting. Recently, however, encouraging preliminary results from phase 1 and 2 clinical trials have renewed enthusiasm and spurred the initiation of large-scale cancer vaccine trials. In this Review, we highlight insights from recent clinical trials, translational studies and preclinical models, which reveal critical factors for optimizing cancer vaccines. Key strategies include definition of improved proxies to estimate vaccine efficacy, selection of high-quality antigens—particularly neoantigens—using modular vaccine platforms with innate immunostimulatory capabilities, and a focus on early-stage cancer, as exemplified by (neo)adjuvant therapies. We discuss each of these in detail, outlining a roadmap for future cancer vaccine development

Ejemplo entrada anterior

https://articulosclaves.blogspot.com/2026/03/increible-aplicacion-arn-m-secuenciar.html

https://news.unsw.edu.au/en/paul-is-using-ai-to-fight-his-dogs-incurable-cancer

sábado, 14 de marzo de 2026

Biopython Tutorial

Biopython Tutorial

https://biopython.org/docs/latest/Tutorial/
https://ucodemy.github.io/pybioq/11_Biopython/

Biopython es el paquete de Python más utilizado en el ámbito de la biología computacional, con una gran cantidad de herramientas útiles en bioinformática.

Esta librería fue creada en el año 1999 por Brad Chapman y Jeff Chang, y actualmente está soportada por el Proyecto Biopython, una asociación de desarrolladores de herramientas en el lenguaje informático Python

En primer lugar debe instalar el paquete biopython. Para ello, como se explicó en el apartado PyCharm, vaya a la ventana de Python Packages e instálelo


https://www.bing.com/videos/riverview/relatedvideo?q=biopython+tutorial+en+espa%c3%b1ol&mid=0A394A8CF39BD3FFBD2D0A394A8CF39BD3FFBD2D&FORM=VIRE

 En este apartado se le ha enseñado una serie de funcionalidades de Biopython que seguro que le serán de ayuda, pudiendo trabajar a su antojo con archivos FASTA desde la terminal de Python.

No obstante, debe saber que Biopython permite realizar funciones muy avanzadas, como trabajar con archivos de secuenciación (filtrado, indexado..), realizar alineamientos múltiples (basado en herramientas como MUSCLE o ClustalW) o análisis de motivos de secuencias.

Si quiere profundizar en sus conocimientos sobre el paquete Biopython, le recomendamos que acceda al libro de cocina de Biopython.

El IDE PyCharm fue creado por la compañía JetBrains, y está disponible para los sistemas operativos Windows, Mac y Linux. La Community Edition es gratuita y contiene todas las funcionalidades necesarias para un uso principiante - intermedio, que serán más que suficientes. La instalación con el asistente no es complicada y requiere 840 MB en el sistema de archivos

https://ucodemy.github.io/pybioq/3_Pycharm/


Biopython es el paquete de bioinformática más grande y popular para Python. Contiene varios submódulos diferentes para tareas bioinformáticas comunes. Está desarrollado por Chapman y Chang, principalmente escrito en Python. También contiene código C para optimizar la parte de cálculo compleja del software. Funciona en Windows, Linux, Mac OS X, etc.

Básicamente, Biopython es una colección de módulos de Python que proporcionan funciones para lidiar con operaciones de secuencia de ADN, ARN y proteínas, como el complemento inverso de una cadena de ADN, encontrar motivos en secuencias de proteínas, etc. como GenBank, SwissPort, FASTA, etc., así como envoltorios / interfaces para ejecutar otras herramientas / software de bioinformática populares como NCBI BLASTN, Entrez, etc., dentro del entorno de Python. Tiene proyectos hermanos como BioPerl, BioJava y BioRuby

https://tutoriales.edu.lat/pub/biopython/biopython-installation/biopython-instalacion

https://www.jetbrains.com/help/pycharm/installation-guide.html

https://www.jetbrains.com/help/pycharm/quick-start-guide.html

https://www.jetbrains.com/guide/python/

https://tutoriales.edu.lat/pub/biopython?alias=tutorial-de-biopython

https://github.com/SouthernBio/Biopython-ES

lunes, 9 de marzo de 2026

Eon Systems emula cerebro de mosca en simulador

 Eon Systems ha cargado el cerebro de una mosca de la fruta en una computadora y ahora..¡Vive libremente en su propia simulación!

En 2024, científicos mapearon el conectoma completo del cerebro de una mosca de la fruta (139.000 neuronas, 50 millones de sinapsis). Construyeron un modelo computacional, lo conectaron a un cuerpo simulado y a un entorno virtual, y comenzó a comportarse como una mosca real (caminando, acicalándose y alimentándose) sin entrenamiento. Un comportamiento natural emergente, solo a partir del cableado. La primera emulación de cerebro completo de este tipo.

Eon Systems emula cerebro de mosca en simulador

Eon Systems emula el cerebro de una mosca de la fruta para controlar un cuerpo físico simulado sin machine learning.

El sistema utiliza un modelo computacional basado en una investigación publicada por Nature en 2024. El científico Philip Shiu y su equipo reconstruyeron la arquitectura mental de la Drosophila melanogaster, replicando más de 125,000 neuronas y 50 millones de conexiones sinápticas.

Este modelo original predecía la activación de las neuronas motoras con un 95% de precisión, pero carecía de un avatar para ejecutar acciones. Para solucionarlo, Eon Systems integró este cerebro en el motor físico MuJoCo mediante el entorno biomecánico NeuroMechFly v2.

Conectoma es un mapa biológico que detalla el cableado exacto de un cerebro funcional. En este experimento, procesa estímulos sensoriales virtuales y emite comandos motores autónomos, cerrando el ciclo de percepción y acción.

A diferencia de iniciativas como DeepMind, que utilizan aprendizaje por refuerzo, o el proyecto OpenWorm que operaba con las 302 neuronas del C. elegans, la arquitectura de Eon Systems es una copia exacta obtenida por microscopía electrónica.

En paralelo, los Sandia National Laboratories implementaron el mismo conectoma utilizando el hardware neuromórfico Loihi 2 de Intel. Esta validación cruzada demostró velocidades de procesamiento superiores a las de una simulación tradicional en computadora

La misión a largo plazo de Eon Systems es escalar esta tecnología. Su próximo hito es emular el cerebro de un ratón, el cual contiene aproximadamente 70 millones de neuronas, para después intentar una reconstrucción a escala humana.

Para lograr este nivel de detalle, la empresa combina:

  • Microscopía de expansión para trazar redes físicas.
  • Miles de horas de imágenes de voltaje y calcio en tejido vivo.
  • Análisis de dinámicas en circuitos biológicos complejos.

Aunque el modelo actual omite variables biológicas densas como hormonas, péptidos y células gliales, la precisión de los movimientos del insecto virtual marca una transición definitiva en el desarrollo de cerebros digitales.

“Si un cerebro de mosca puede ahora cerrar el ciclo sensoriomotor en simulación, la pregunta para el ratón se convierte en una de escala, no de tipo”, declaró Alex Wissner-Gross, cofundador de Eon Systems

https://www.qore.com/ciencia/eon-systems-emula-cerebro-de-mosca-en-simulador/


https://news.gptzone.net/

https://articulosclaves.blogspot.com/2026/03/por-que-necesitamos-instituciones.html

jueves, 5 de marzo de 2026

Evo 2, un modelo fundacional de IA entrenado directamente sobre secuencias de ADN

 La IA está empezando a operar sobre uno de los sistemas de información más complejos que conocemos: el genoma

Un artículo reciente publicado en la revista @Nature presenta Evo 2, un modelo fundacional de IA entrenado directamente sobre secuencias de ADN

Los modelos lingüísticos aprenden patrones en grandes corpus de texto; Evo 2 aprende el “lenguaje del ADN” a partir de enormes bases de datos genómicas

Ha sido entrenado con más de 9 billones de pares de bases de más de 100.000 genomas de bacterias, arqueas y eucariotas

Este entrenamiento permite: •Predecir el efecto funcional de mutaciones •Analizar variantes clínicas humanas •Detectar estructuras funcionales (sitios de unión, intrones, elementos regulatorios) •Generar nuevas secuencias genómicas que se parezcan a genomas reales

Este trabajo marca un punto de inflexión: una fase de biología generativa, donde la comprensión computacional del genoma empieza a ser lo suficientemente rica como para proponer nuevas arquitecturas biológicas

Las implicaciones potenciales van desde la interpretación de variantes genéticas humanas hasta el diseño de sistemas biológicos en biotecnología o medicina Referencia: Nature (2026) – Genome modelling and design across all domains of life with Evo 2

https://www.nature.com/articles/s41586-026-10176-5

Genome modelling and design across all domains of life with Evo 2




All of life encodes information with DNA. Although tools for genome sequencing, synthesis and editing have transformed biological research, we still lack sufficient understanding of the immense complexity encoded by genomes to predict the effects of many classes of genomic changes or to intelligently compose new biological systems. Artificial intelligence models that learn information from genomic sequences across diverse organisms have increasingly advanced prediction and design capabilities1,2. Here we introduce Evo 2, a biological foundation model trained on 9 trillion DNA base pairs from a highly curated genomic atlas spanning all domains of life to have a 1 million token context window with single-nucleotide resolution. Evo 2 learns to accurately predict the functional impacts of genetic variation—from noncoding pathogenic mutations to clinically significant BRCA1 variants—without task-specific fine-tuning. Mechanistic interpretability analyses reveal that Evo 2 learns representations associated with biological features, including exon–intron boundaries, transcription factor binding sites, protein structural elements and prophage genomic regions. The generative abilities of Evo 2 produce mitochondrial, prokaryotic and eukaryotic sequences at genome scale with greater naturalness and coherence than previous methods. Evo 2 also generates experimentally validated chromatin accessibility patterns when guided by predictive models3,4 and inference-time search. We have made Evo 2 fully open, including model parameters, training code5, inference code and the OpenGenome2 dataset, to accelerate the exploration and design of biological complexity.

miércoles, 4 de marzo de 2026

IA aplicada a la bioinformática

 Los nuevos algoritmos de IA + grandes cantidades de datos biomédicos compartidos están permitiendo avances enormes en bioinformática.

Tradicionalmente:

• Se analizaban factores de riesgo y pruebas sencillas (sangre, histología).
• Para conocer el impacto de una mutación era necesario generar experimentalmente la estructura 3D de la proteína

Hoy, con IA aplicada a la bioinformática:

• Podemos inferir riesgo de infarto en 10 años a partir del metiloma.
• Deep Learning + transcriptómica espacial permiten estimar el infiltrado de linfocitos T en tumores con mayor capacidad predictiva de supervivencia

Mutaciones en genes como SCN5A (asociadas a muerte súbita) pueden estudiarse mediante algoritmos que predicen la estructura de la proteína mutada.

Además, se pueden hacer cribados virtuales de fármacos y estimar afinidades según variantes genéticas.


Descubrimiento de algoritmos de aprendizaje multiagente con modelos de lenguaje grandes

 

Google DeepMind han cogido AlphaEvolve (su sistema de IA que "evoluciona" código como si fuese selección natural) y lo han puesto a diseñar algoritmos de teoría de juegos. No a ejecutarlos. No a optimizar parámetros. A inventar algoritmos nuevos desde cero

Y los algoritmos que ha descubierto funcionan mejor que los que los investigadores humanos llevan años perfeccionando.

Much of the advancement of Multi-Agent Reinforcement Learning (MARL) in imperfect-information games has historically depended on manual iterative refinement of baselines. While foundational families like Counterfactual Regret Minimization (CFR) and Policy Space Response Oracles (PSRO) rest on solid theoretical ground, the design of their most effective variants often relies on human intuition to navigate a vast algorithmic design space. In this work, we propose the use of AlphaEvolve, an evolutionary coding agent powered by large language models, to automatically discover new multiagent learning algorithms. We demonstrate the generality of this framework by evolving novel variants for two distinct paradigms of game-theoretic learning. First, in the domain of iterative regret minimization, we evolve the logic governing regret accumulation and policy derivation, discovering a new algorithm, Volatility-Adaptive Discounted (VAD-)CFR. VAD-CFR employs novel, non-intuitive mechanisms-including volatility-sensitive discounting, consistency-enforced optimism, and a hard warm-start policy accumulation schedule-to outperform state-of-the-art baselines like Discounted Predictive CFR+. Second, in the regime of population based training algorithms, we evolve training-time and evaluation-time meta strategy solvers for PSRO, discovering a new variant, Smoothed Hybrid Optimistic Regret (SHOR-)PSRO. SHOR-PSRO introduces a hybrid meta-solver that linearly blends Optimistic Regret Matching with a smoothed, temperature-controlled distribution over best pure strategies. By dynamically annealing this blending factor and diversity bonuses during training, the algorithm automates the transition from population diversity to rigorous equilibrium finding, yielding superior empirical convergence compared to standard static meta-solvers.

https://arxiv.org/abs/2602.16928

. En teoría de juegos hay dos grandes familias de algoritmos para resolver juegos de información imperfecta (como el póker): CFR y PSRO. Llevan décadas siendo la base de todo. Los investigadores los mejoran publicando variantes — ajustando pesos, cambiando fórmulas de descuento, probando combinaciones. Es un trabajo lento, basado en intuición y papers de conferencias.
Lo que ha hecho DeepMind es tratar el diseño de esos algoritmos como un problema de búsqueda. En vez de que un investigador piense "¿y si ajusto este parámetro?", AlphaEvolve trata el código fuente del algoritmo como un genoma que puede mutar, recombinar y seleccionar. No ajusta números. Reescribe lógica. Puede inventar operaciones nuevas que no existían. ¿El resultado? Dos algoritmos nuevos. El primero, VAD-CFR, introduce algo que ningún investigador humano habría probado: un mecanismo de "calentamiento" que filtra el ruido de las primeras iteraciones y pesos que se adaptan a la volatilidad de cada momento del entrenamiento. Lo probaron en 11 juegos distintos. Lo entrenaron solo en 4. Y los mecanismos funcionaron en los 7 que no había visto nunca. Es decir, no son trucos específicos para un juego — la lógica se generaliza. El segundo, SHOR-PSRO, descubrió por su cuenta algo que a un humano le costaría plantear: que el algoritmo que usas para entrenar y el que usas para evaluar deberían ser diferentes. Arranca explorando de forma agresiva y gradualmente va apretando hacia el equilibrio exacto. Esa asimetría es contraintuitiva (normalmente usas el mismo algoritmo en ambas fases) y sin embargo funciona mejor. Ahora bien, seamos realistas sobre el alcance. Estamos hablando de juegos relativamente pequeños. Variantes de póker, dados, Goofspiel. No es StarCraft. No son sistemas multiagente a gran escala del mundo real. Los algoritmos descubiertos no tienen garantías teóricas de convergencia — funcionan empíricamente, pero no están formalmente demostrados. Y ya había trabajo previo (DDCFR, 2023) que intentaba aprender parámetros de descuento con reinforcement learning. La diferencia es que esos enfoques anteriores ajustaban botones que ya existían. AlphaEvolve puede inventar botones nuevos. Esa distinción es clave: optimizar parámetros encuentra mejores ajustes. Evolucionar código encuentra mejores algoritmos. Y creo que ahí está la idea de fondo que merece la pena retener. El diseño de algoritmos siempre ha sido un proceso artesanal. Un investigador tiene una intuición, la formaliza, la prueba, publica un paper y otro investigador construye encima. Es lento. Es brillante. Y ha funcionado durante décadas. Lo que DeepMind está proponiendo (y demostrando) es que ese espacio de posibles algoritmos es tan enorme que la exploración humana solo araña la superficie. AlphaEvolve no entiende teoría de juegos. No tiene intuición. Pero explora ese espacio a una velocidad y con una amplitud que ningún equipo humano puede igualar. Y ya está encontrando cosas que los humanos no habían visto. Me recuerda a algo que llevo diciendo desde hace tiempo: la IA no va a sustituir al investigador. Pero el investigador que use IA va a dejar atrás al que no la use. Esto no es "la IA reemplaza a los diseñadores de algoritmos." Es que diseñar algoritmos acaba de convertirse en un problema que la IA puede ayudar a resolver. Y eso lo cambia todo... aunque suene menos llamativo que un titular sobre la singularidad. Estoy convencido de que vamos a ver esto en muchos más campos. La IA como herramienta de exploración de espacios de diseño que los humanos no podemos recorrer solos. Fármacos, materiales, arquitectura de redes, logística. El patrón es el mismo: hay un espacio enorme de posibilidades, la intuición humana explora un rincón, y la IA puede explorar el resto. La pregunta es si estamos preparados para aceptar que un algoritmo diseñado por una máquina (que no "entiende" lo que hace) puede ser mejor que el nuestro.

martes, 3 de marzo de 2026

El "botón de parada" ? El hallazgo de la Universidad de Osaka

 

Cuando los investigadores desactivaron la proteína en cuestión en células envejecidas, estas retomaron su capacidad de división, recuperando características propias de células jóvenes

  • Laura Mesonero Ortiz

Como si fuera el argumento de una película de ciencia ficción, un grupo de científicos japoneses asegura haber encontrado algo parecido a un “botón de parada” del envejecimiento. Un hallazgo que, de confirmarse en humanos, podría abrir la puerta a alargar la vida durante décadas… incluso hasta 250 años más en términos teóricos.

Y no es casual que este tipo de descubrimientos generen tanta expectación. Una de las grandes preocupaciones del ser humano es, precisamente, el paso del tiempo. Ver cómo la gravedad hace su efecto, cómo aparecen arrugas, cómo el cuerpo cambia. Pero no solo a nivel físico: también cambian las prioridades, los gustos y la forma de sentir.

Hay quienes afrontan el envejecimiento con serenidad, como una etapa más que agradecer. Son los que, ante un “gracias”, responden con un “muchas veces” o los que desean “que cumplas muchos y yo los vea”. Pero también están quienes miran atrás con nostalgia, que repiten “cuando yo era joven…” o hablan del “cuando yo no esté…” con más presencia que el propio presente.

Para estos últimos, y también para la medicina del futuro, una nueva investigación trae un rayo de esperanza: científicos han logrado revertir el envejecimiento celular en laboratorio desactivando una sola proteína.

El hallazgo de la Universidad de Osaka

El descubrimiento ha sido liderado por investigadores de la Universidad de Osaka, quienes han identificado una proteína clave en el proceso de envejecimiento celular: la AP2A1.

El estudio, publicado en la revista Cellular Signalling, señala que esta proteína desempeña un papel fundamental en la senescencia celular, el proceso por el cual las células envejecen, dejan de dividirse y se vuelven más grandes y menos activas.

Con el paso del tiempo, estas células senescentes se acumulan en el organismo y están asociadas a enfermedades como la osteoporosis, patologías cardiovasculares, ciertos tipos de cáncer y trastornos neurodegenerativos.

Según explicó Pirawan Chantachotikul, uno de los autores del estudio, las células envejecidas presentan fibras internas mucho más gruesas que las jóvenes, lo que contribuye a su rigidez e inactividad. La proteína AP2A1 aparece en mayores cantidades en estas células “viejas” y parece ser responsable directa de ese endurecimiento.

El experimento fue claro. Cuando los investigadores desactivaron la proteína AP2A1 en células envejecidas, estas redujeron su tamaño y retomaron su capacidad de división, recuperando características propias de células jóvenes.

En cambio, cuando aumentaron los niveles de AP2A1 en células jóvenes, el envejecimiento se aceleró.

“La supresión de AP2A1 en células envejecidas revirtió la senescencia y promovió la renovación celular”, explicó Shinji Deguchi, coautor del estudio.

Además, el equipo combinó esta estrategia con un compuesto llamado IU1, que favorece la eliminación de proteínas dañadas dentro de la célula. La combinación del bloqueo de AP2A1 y el uso de IU1 redujo de forma medible los marcadores del envejecimiento celular, lo que apunta a una posible inversión parcial del reloj biológico a nivel microscópico.

El descubrimiento aún se encuentra en una fase temprana y solo ha sido probado en laboratorio. Sin embargo, abre una puerta fascinante para la medicina regenerativa y la biología del envejecimiento.

Puede que el “botón de pausa” del tiempo no esté todavía al alcance de la mano, pero por primera vez la ciencia parece haber encontrado uno de sus interruptores más prometedores.

Parece ciencia ficción pero no lo es: científicos japoneses han descubierto el "botón de parada" que podría darnos 250 años más de vida