Crédito: dominio público Unsplash/CC0
Cuando inicia sesión en LinkedIn, normalmente se le presentan sugerencias para conectarse con personas que conoce, ya sea porque fue a la misma universidad que ellos, o trabajó en la misma compañía o industria.
Sin embargo, las sugerencias a veces pueden tomarnos por sorpresa, como cuando el algoritmo recomienda un amigo pariente o de familia a pesar de que trabajan en un campo totalmente diferente para usted. Dada la falta total de superposición profesional, es posible que se pregunte cómo LinkedIn podría saber sobre estas relaciones de la vida real.
Los algoritmos de inteligencia artificial (IA) que impulsan estas recomendaciones utilizan un tipo de tecnología conocida como Red neuronal gráficaque se basa en gráficos: Estructuras matemáticas compuestas de nodos y los enlaces (también conocidos como “bordes”) que los conectan. Para una red social como LinkedIn, se puede generar un gráfico donde los nodos representan a cada usuario, mientras que los enlaces son las conexiones entre ellos.
Estos algoritmos recopilan información del entorno inmediato de cada nodo, nuestras conexiones directas en LinkedIn. Luego agregan esa información e integran en el nodo original.
Después de este proceso, cada perfil refleja sus propios datos y el de su red inmediata. Este proceso se puede llevar a cabo varias veces, en la segunda iteración, cuando agregamos información de nuestros vecinos, a su vez ya tendrán información agregada de sus propios vecinos y, en consecuencia, tendremos información del segundo vecindario.
Una red de relaciones
En estas redes, no es solo nuestra propia información personal lo que importa, sino también con quién hemos conectado y con quién han conectado nuestras conexiones. En La versión completa del algoritmo de LinkedinComo se usa en la práctica, no solo hay nodos que representan a las personas, sino también a otros tipos de nodos, como empresas o publicaciones.
Esto significa que el algoritmo puede obtener información tanto de nuestras conexiones personales como del contenido que hemos marcado como favoritos o interactuados.
Si, por ejemplo, alguien tiene a su hermana como conexión y le ha “gustado” las publicaciones que también le gustan a su cuñado, el algoritmo puede detectar que no solo comparte intereses similares, sino que también puede estar conectado personalmente de alguna manera.
Algoritmos de redes sociales en biomedicina
Desarrollar un medicamento desde cero es extremadamente costoso y lento. El proceso de descubrimiento a menudo se asemeja a un embudo. En la parte superior, todos los candidatos potenciales ingresan y, después de ser reducidos a través de varias etapas de investigación, solo uno queda para ingresar a ensayos clínicos. Este medicamento pasará (con suerte) para estar disponible para uso clínico entre la población general.
Aunque es necesario, la complejidad de esta provisión significa reutilización de drogas se ha vuelto cada vez más común en las últimas décadas. El objetivo de este proceso no es diseñar nuevos medicamentos, sino encontrar nuevos usos para los existentes.
Para tratar una enfermedad, generalmente nos centramos en dirigir las proteínas responsables de ella. Existen bases de datos públicas y bien documentadas que contienen información sobre las proteínas que se dirige cada fármaco, y estas bases de datos han crecido considerablemente en los últimos años.
Una de las bases de datos más utilizadas, Banco de drogasha pasado de 841 drogas aprobadas cuando fue Lanzado por primera vez en 2006a 2,751 en su Actualización más reciente de 2024. Esta creciente disponibilidad de datos permite el uso de modelos más complejos.
Con este volumen de datos, podemos crear una red gráfica donde los nodos son fármacos y proteínas, y los enlaces son las interacciones entre ellos, como se registra en las bases de datos. Una vez que tenemos la red, podemos aplicar algoritmos similares a los utilizados en las redes sociales: para cada fármaco, agregamos información bioquímica sobre las proteínas con las que interactúa a través de las conexiones conocidas.
Usando esta información, el modelo puede decirnos la probabilidad de una interacción fármaco-proteína que no teníamos previamente en la base de datos, ya que los algoritmos pueden analizar eficientemente grandes volúmenes de información. Estas interacciones pueden validarse en condiciones de laboratorio, ahorrando tiempo y dinero del largo proceso de descubrimiento.
Nuestra investigación
En el Laboratorio de Biología Computacional y Genómica Translacional de la Universidad de Navarra, hemos seguido esta idea para desarrollar GéneroUn modelo que tiene como objetivo construir una red entre fármacos y proteínas. Su implementación ya ha mejorado los modelos existentes, especialmente en términos de tiempo de ejecución: en solo un minuto podemos evaluar alrededor de 23,000 interacciones.
Si bien el modelo tiene buenas capacidades predictivas, todavía hay margen de mejora. Por ejemplo, surgen desafíos al evaluar posibles interacciones con moléculas que no son parte de la red, o para las cuales tenemos pocos datos originales. Aunque técnicamente es posible generar una salida, el modelo a menudo ofrece bajos resultados de confianza en estos casos.
Al superar estos obstáculos y con más investigación, estos modelos podrían evolucionar en el futuro hacia sistemas que proporcionan recomendaciones personalizadas para cada paciente.
Proporcionado por la conversación
Este artículo se republicó de La conversación bajo una licencia Creative Commons. Leer el artículo original.
Cita: Cómo el algoritmo de LinkedIn puede ayudarnos a encontrar nuevos usos para los medicamentos existentes (2025, 9 de julio) recuperado el 9 de julio de 2025 de https://techxplore.com/news/2025-07-linkedin-algorithm-medicines.html
Este documento está sujeto a derechos de autor. Además de cualquier trato justo con el propósito de estudio o investigación privada, no se puede reproducir ninguna parte sin el permiso por escrito. El contenido se proporciona solo para fines de información.
