Becarios de Takeda 2021-22: Aprovechamiento de la IA para avanzar en la medicina humana | Noticias del MIT



En el otoño de 2020, la Escuela de Ingeniería del MIT y Takeda Pharmaceuticals Company Limited lanzaron el Programa MIT-Takeda, una colaboración para apoyar a los miembros de la comunidad del MIT que trabajan en la intersección de la inteligencia artificial y la ciencia de la salud humana. Alojada en la Clínica Abdul Latif Jameel para el Aprendizaje Automático en Salud, la colaboración tiene como objetivo utilizar la inteligencia artificial para beneficiar la salud humana y ayudar en el desarrollo de fármacos. Al combinar tecnología e investigación de salud de vanguardia, los participantes del programa esperan mejorar los resultados de salud en todo el mundo.

Hasta ahora, la asociación ha respaldado los esfuerzos de investigación conjuntos centrados en temas como la inspección automatizada en la fabricación de productos farmacéuticos estériles y el aprendizaje automático para la determinación del fenotipo hepático.

Cada año, el programa también financia becas de posgrado para apoyar a los estudiantes que realizan investigaciones sobre una amplia gama de temas relacionados con la salud y la IA. Los becarios de Takeda de este año, que se describen a continuación, están trabajando en investigaciones que involucran algoritmos de registros médicos electrónicos, datos de detección remota para riesgos ambientales para la salud y redes neuronales para el desarrollo de antibióticos.

Mónica Agrawal

Agrawal es candidato a doctorado en el Departamento de Ingeniería Eléctrica y Ciencias de la Computación (EECS). Su investigación se centra en el desarrollo de algoritmos de aprendizaje automático que podrían desbloquear el potencial de los registros de salud electrónicos para impulsar estudios personalizados del mundo real de eficacia comparativa. Aborda el problema desde tres ángulos interconectados: comprender los componentes básicos del texto clínico, permitir la estructuración de líneas de tiempo clínicas con solo un mínimo de datos etiquetados y rediseñar la documentación clínica para fomentar datos estructurados de alta calidad en el momento de la creación. Agrawal obtuvo una licenciatura y una maestría en informática de la Universidad de Stanford.

peng cao

Estudiante de doctorado en EECS, la investigación de Peng Cao se centra en desarrollar un nuevo enfoque para monitorear la saturación de oxígeno mediante el análisis de señales de radiofrecuencia que rebotan en el cuerpo de una persona. Para hacer esto, extrae señales respiratorias de señales de radio y luego entrena una red neuronal para inferir los niveles de oxígeno. Peng obtuvo una licenciatura en Ciencias de la Computación de la Universidad de Pekín en China.

Blanca Lepe

Bianca Lepe, estudiante de doctorado en ingeniería biológica, está trabajando en la evaluación de vacunas candidatas existentes y en la definición de la próxima generación de vacunas contra la tuberculosis. Utiliza datos disponibles públicamente combinados con algoritmos de aprendizaje automático para identificar proteínas Mtb que se adaptan bien como antígenos de subunidades de vacunas en la diversidad de alelos de antígenos leucocitarios humanos. Lepe obtuvo una licenciatura en Bioingeniería y Negocios de Caltech; una Maestría en Sistemas y Biología Sintética de la Universidad de Edimburgo en Escocia; y un MPhil en política tecnológica de la Universidad de Cambridge en Inglaterra.

Carolina McCue

Caroline McCue es una estudiante de doctorado en ingeniería mecánica que está desarrollando un sistema que podría simplificar y acelerar el proceso de paso de células. Más específicamente, está diseñando y probando una plataforma que desencadena el desprendimiento de células en respuesta a estímulos externos simples, como un cambio de voltaje o propiedades mecánicas. Ella planea probar la efectividad de esta plataforma aplicando el aprendizaje automático para cuantificar la adhesión de las células de ovario de hámster chino a estas superficies. McCue obtuvo una licenciatura en Ingeniería Mecánica de la Universidad de Maryland.

somech mohapatra

Somesh Mohapatra, estudiante de doctorado en el Departamento de Ciencia e Ingeniería de Materiales, también está cursando un MBA en MIT Sloan School of Management como parte del programa Leaders for Global Operations. Su investigación doctoral, en estrecha colaboración con experimentadores del MIT, se centra en el diseño de biomacromoléculas utilizando simulaciones y aprendizaje automático interpretable. Específicamente, Mohapatra explota representaciones gráficas de macromoléculas para desarrollar modelos de aprendizaje automático para métodos de predicción cuantitativa, optimización y atribución. Luego aplica estas herramientas para dilucidar los principios de diseño y mejorar el rendimiento y la accesibilidad sintética de macromoléculas funcionales, que van desde péptidos y glicanos hasta electrolitos y termoestables. Mohapatra obtuvo su BTech en Ingeniería Metalúrgica y de Materiales del Instituto Indio de Tecnología Roorkee en India.

lucas murray

Luke Murray es estudiante de doctorado en EECS. Está desarrollando MedKnowts, un sistema que combina aprendizaje automático y técnicas de interacción humano-computadora para reducir el esfuerzo requerido para sintetizar el conocimiento para la toma de decisiones médicas y crear documentación clínica estructurada y de alta calidad. MedKnowts unifica estos dos flujos de trabajo actualmente separados al proporcionar una interfaz perfecta que reinventa la documentación como un subproducto natural del razonamiento clínico, en lugar de un requisito de cumplimiento. Murray obtuvo su licenciatura en Ciencias de la Computación de la Universidad de Brown.

Ufuoma Ovienmhada

Ufuoma Ovienmhada SM ’20 es estudiante de doctorado en aeronáutica y astronáutica. Su investigación utiliza un enfoque de métodos mixtos (diseño centrado en la comunidad, ingeniería de sistemas y aprendizaje automático) de datos de teledetección satelital para crear herramientas que evalúen el vínculo entre los riesgos para la salud humana y los peligros ambientales. Ovienmhada obtuvo su BS en Ingeniería Mecánica de la Universidad de Stanford y su SM en Artes y Ciencias de los Medios del MIT.

Lagnajit Pattanaik

Lagnajit “Lucky” Pattanaik es estudiante de doctorado en ingeniería química. Busca mover el paradigma de la química orgánica predictiva de cualitativo a cuantitativo. Específicamente, su investigación se centra en el desarrollo de técnicas de aprendizaje automático para predecir estructuras 3D de moléculas y reacciones, incluidas las geometrías de los estados de transición y las conformaciones geométricas que asumen las moléculas en solución. Obtuvo una licenciatura en Ingeniería Química de la Universidad Estatal de Ohio.

na sol

Estudiante de doctorado en la EECS, Na Sun trabaja en el campo emergente de la neuroinmunogenómica. Más específicamente, está desarrollando métodos de aprendizaje automático para comprender mejor las interacciones entre dos sistemas extremadamente complejos: el cerebro humano y sus docenas de tipos de células, y el sistema inmunológico humano y las docenas de procesos biológicos que integra a través de la cognición, la respuesta a patógenos, dieta-ejercicio-obesidad y poda sináptica. Sun recibió su licenciatura en Ciencias de la Vida de la Universidad de Linyi en China y una maestría en Biología del Desarrollo de la Universidad de la Academia de Ciencias de China en China.

jacqueline valeri

Jacqueline Valeri es una estudiante de doctorado en ingeniería biológica que utiliza redes neuronales para el descubrimiento de antibióticos. Sus esfuerzos incluyen el reciclaje de compuestos de bibliotecas de compuestos existentes y el diseño asistido por computadora de nuevas terapias. También está entusiasmada con las aplicaciones más amplias del aprendizaje automático y la inteligencia artificial en el cuidado de la salud y la biomedicina. Valeri obtuvo su BSE y MSE en Bioingeniería de la Universidad de Pensilvania.

clinton wang

Clinton Wang SM ’20, estudiante de doctorado en EECS, desarrolló un nuevo tipo de red antagónica generativa condicional basada en transformaciones de intensidad espacial. Logra una alta fidelidad de imagen, es resistente a los artefactos en los datos de entrenamiento y se generaliza a los sitios clínicos retenidos. Wang ahora tiene como objetivo extender su modelo a aplicaciones aún más desafiantes, incluida la visualización de transformaciones de patologías focales, como lesiones, donde podría servir como una herramienta poderosa para caracterizar biomarcadores de malignidad y respuesta al tratamiento. Wang obtuvo una licenciatura en ingeniería biomédica de la Universidad de Yale y una maestría en ingeniería eléctrica e informática del MIT.

Deja un comentario