Conferencia: 'Modelado de receptores inmunes impulsado por aprendizaje automático'
El aprendizaje profundo ha transformado la ciencia de las proteínas, permitiendo predicciones de estructura cada vez más precisas, modelado del lenguaje de proteínas y diseño generativo de proteínas. Sin embargo, los receptores inmunitarios siguen siendo una frontera particularmente difícil: para los anticuerpos y los receptores de células T, las configuraciones globales precisas no son suficientes. La especificidad de unión, la reactividad cruzada y la afinidad están gobernadas por interfaces flexibles donde los modelos actuales de predicción de estructura a menudo tienen la menor confianza.
En esta charla, discutiré nuestro trabajo desarrollando enfoques de aprendizaje automático para modelar el reconocimiento de receptores de células B y T. Primero, presentaré cómo los modelos generativos informados por dinámica molecular pueden capturar conjuntos conformacionales de TCR más allá de estructuras estáticas, con implicaciones para predecir el reconocimiento de péptidos y la reactividad cruzada. Luego describiré modelos basados en grafos de afinidad anticuerpo-antígeno que integran representaciones estructurales con incrustaciones de modelos de lenguaje de proteínas para mejorar la generalización entre familias de anticuerpos y antígenos. Finalmente, presentaré trabajos en curso sobre el diseño de péptidos de novo en el contexto de enfermedades autoinmunitarias, así como estrategias para ajustar finamente los modelos de lenguaje de proteínas para mejorar la clasificación de interacciones entre receptores inmunitarios y ligandos en cero disparos.
Juntos, estos ejemplos ilustran un tema central: la próxima generación de modelado de receptores inmunitarios requerirá pasar de la predicción de estructura estática hacia modelos que integren secuencia, estructura, dinámica y restricciones biofísicas en la interfaz de unión.
Sobre la ponente
La Prof. María Rodríguez Martínez es profesora asociada de Informática Biomédica y Ciencia de Datos en la Escuela de Medicina de Yale y miembro del Centro de Sistemas e Ingeniería en Inmunología. Su investigación se sitúa en la intersección de la inteligencia artificial y la inmunología, donde desarrolla enfoques de aprendizaje profundo interpretables y generativos para modelar receptores inmunitarios adaptativos. Integra enfoques de aprendizaje profundo para el modelado de proteínas, incluidos modelos de lenguaje de proteínas y predicción de estructuras, con datos experimentales como secuenciación de repertorios inmunes de alto rendimiento y conjuntos de datos multimodales para decodificar las relaciones entre secuencia, estructura y función en los receptores de células T y B. Su trabajo tiene aplicaciones en enfermedades autoinmunitarias, diseño de vacunas y terapias inmunológicas de próxima generación.
Antes de unirse a Yale, María pasó una década en IBM Research Europe, donde lideró el equipo de Biología de Sistemas Computacionales y coordinó grandes consorcios interdisciplinarios, incluidas iniciativas financiadas por la UE en medicina personalizada del cáncer. Su investigación durante este periodo avanzó los métodos de aprendizaje automático para modelar la evolución tumoral, la respuesta a medicamentos y las interacciones entre el sistema inmune y el tumor.
La carrera académica de María abarca la física y la biología de sistemas. Ha publicado extensamente sobre aprendizaje automático para biología computacional, dinámicas de repertorios inmunitarios y predicción basada en estructura de interacciones biomoleculares. Su trabajo conecta la biología computacional, el aprendizaje automático y la inmunología, con énfasis en modelos interpretables que pueden acelerar el descubrimiento biológico y las aplicaciones traslacionales.
El aprendizaje profundo ha transformado la ciencia de las proteínas, permitiendo predicciones de estructura cada vez más precisas, modelado del lenguaje de proteínas y diseño generativo de proteínas. Sin embargo, los receptores inmunitarios siguen siendo una frontera particularmente difícil: para los anticuerpos y los receptores de células T, las configuraciones globales precisas no son suficientes. La especificidad de unión, la reactividad cruzada y la afinidad están gobernadas por interfaces flexibles donde los modelos actuales de predicción de estructura a menudo tienen la menor confianza.
En esta charla, discutiré nuestro trabajo desarrollando enfoques de aprendizaje automático para modelar el reconocimiento de receptores de células B y T. Primero, presentaré cómo los modelos generativos informados por dinámica molecular pueden capturar conjuntos conformacionales de TCR más allá de estructuras estáticas, con implicaciones para predecir el reconocimiento de péptidos y la reactividad cruzada. Luego describiré modelos basados en grafos de afinidad anticuerpo-antígeno que integran representaciones estructurales con incrustaciones de modelos de lenguaje de proteínas para mejorar la generalización entre familias de anticuerpos y antígenos. Finalmente, presentaré trabajos en curso sobre el diseño de péptidos de novo en el contexto de enfermedades autoinmunitarias, así como estrategias para ajustar finamente los modelos de lenguaje de proteínas para mejorar la clasificación de interacciones entre receptores inmunitarios y ligandos en cero disparos.
Juntos, estos ejemplos ilustran un tema central: la próxima generación de modelado de receptores inmunitarios requerirá pasar de la predicción de estructura estática hacia modelos que integren secuencia, estructura, dinámica y restricciones biofísicas en la interfaz de unión.
Sobre la ponente
La Prof. María Rodríguez Martínez es profesora asociada de Informática Biomédica y Ciencia de Datos en la Escuela de Medicina de Yale y miembro del Centro de Sistemas e Ingeniería en Inmunología. Su investigación se sitúa en la intersección de la inteligencia artificial y la inmunología, donde desarrolla enfoques de aprendizaje profundo interpretables y generativos para modelar receptores inmunitarios adaptativos. Integra enfoques de aprendizaje profundo para el modelado de proteínas, incluidos modelos de lenguaje de proteínas y predicción de estructuras, con datos experimentales como secuenciación de repertorios inmunes de alto rendimiento y conjuntos de datos multimodales para decodificar las relaciones entre secuencia, estructura y función en los receptores de células T y B. Su trabajo tiene aplicaciones en enfermedades autoinmunitarias, diseño de vacunas y terapias inmunológicas de próxima generación.
Antes de unirse a Yale, María pasó una década en IBM Research Europe, donde lideró el equipo de Biología de Sistemas Computacionales y coordinó grandes consorcios interdisciplinarios, incluidas iniciativas financiadas por la UE en medicina personalizada del cáncer. Su investigación durante este periodo avanzó los métodos de aprendizaje automático para modelar la evolución tumoral, la respuesta a medicamentos y las interacciones entre el sistema inmune y el tumor.
La carrera académica de María abarca la física y la biología de sistemas. Ha publicado extensamente sobre aprendizaje automático para biología computacional, dinámicas de repertorios inmunitarios y predicción basada en estructura de interacciones biomoleculares. Su trabajo conecta la biología computacional, el aprendizaje automático y la inmunología, con énfasis en modelos interpretables que pueden acelerar el descubrimiento biológico y las aplicaciones traslacionales.
Evento presencial
jueves, 22 de octubre de 2026
1792627200000
/events/lecture-machine-learning-driven-modeling-of-immune-receptors
events_es