La estenosis de la válvula aórtica (AoS) es un problema de salud importante que afecta a más de 1,5 millones de americanos y millones de personas en todo el mundo. Investigadores de Mayo Clinic están analizando el uso de un nuevo fármaco llamado ataciguat para controlar la AoS.

Inspirándose en la cooperación de las células en los tejidos, los investigadores han desarrollado un sistema robótico colectivo capaz de transitar entre estructuras rígidas y sólidas que, además, puede soportar cientos de veces su propio peso. Este avance supera un reto fundamental en el desarrollo de los llamados «materiales robóticos», redes cohesionadas de unidades robóticas individuales que funcionan como una única estructura dinámica y adaptable. La realización de estos sistemas plantea un reto fundamental: este «material» debe ser a la vez lo bastante fuerte y rígido para soportar cargas y, con solo pulsar un interruptor, poder fluir libremente para adoptar nuevas formas. A diferencia de los materiales inertes y los sistemas robóticos convencionales, los tejidos embrionarios vivos poseen la notable capacidad de regular internamente sus propiedades mecánicas en el espacio y el tiempo. Inspirándose en los tejidos embrionarios vivos, que regulan sus propiedades mecánicas mediante un comportamiento celular coordinado, Matthew Devlin y sus colegas han diseñado colectivos robóticos que imitan mecanismos clave de interacción célula-célula utilizando engranajes motorizados, fotorreceptores e imanes rodantes. Estas características permiten un control preciso de las fluctuaciones de fuerza y la polaridad, lo que permite al sistema ajustar dinámicamente la rigidez y la fluidez. Devlin y sus colegas demostraron la formación de estructuras, con unidades robóticas que formaban pilares que se fusionaban en un arco estable y portante. El colectivo también mostró capacidad de autocuración, fluidificándose para cerrar defectos estructurales. Y exhibió manipulación de objetos, aplicando fuerzas dirigidas para mover objetos. Además, el sistema se adaptó en herramientas funcionales, fluyendo alrededor de los objetos antes de endurecerse formando una llave capaz de ejercer torsión. Los investigadores mostraron además estructuras de soporte, donde las cargas colectivas soportadas superaron el peso unitario individual, soportando un ser humano (unos 700 Newtons) antes de volver sin esfuerzo a un estado fluido.

Según un nuevo estudio, un novedoso marco de aprendizaje automático (Mal-ID) puede descifrar el historial de infecciones y enfermedades del sistema inmunitario de un individuo, lo que supone una potente herramienta con potencial para diagnosticar con precisión trastornos autoinmunitarios, infecciones víricas y respuestas a vacunas. Los métodos tradicionales de diagnóstico clínico de enfermedades autoinmunes u otras patologías inmunológicas suelen basarse en una combinación de exploración física, anamnesis del paciente y diversas pruebas de laboratorio para detectar anomalías celulares o moleculares, un proceso largo que a menudo se complica por diagnósticos iniciales erróneos y sistemas ambiguos. Estos enfoques hacen un uso limitado de los datos de los receptores de células B (BCR) y los receptores de células T (TCR) del sistema inmunitario adaptativo individual del paciente. En respuesta a los patógenos, vacunas y otros estímulos antigénicos, los repertorios de BCR y TCR experimentan cambios a través de la expansión clonal, la mutación somática y la remodelación selectiva de las poblaciones de células inmunitarias. La secuenciación de BCR y TCR podría proporcionar una herramienta de diagnóstico integral, lo que permitiría detectar simultáneamente enfermedades infecciosas, autoinmunes e inmunomediadas en una sola prueba. Sin embargo, aún no se ha determinado hasta qué punto la secuenciación del repertorio de receptores inmunitarios puede, por sí sola, clasificar las enfermedades de manera fiable y amplia. Para abordar este problema, Maxim Zaslavsky y sus colegas desarrollaron Mal-ID (MAchine Learning for Immunological Diagnosis), un marco de aprendizaje automático de tres modelos que analiza conjuntos de datos de receptores inmunitarios para identificar firmas de enfermedades infecciosas e inmunológicas y respuestas a vacunas en pacientes. Zaslavsky y sus colaboradores entrenaron a Mal-ID con datos de BCR y TCR recogidos sistemáticamente de 593 individuos, entre ellos pacientes con COVID-19, VIH y diabetes de tipo 1, así como receptores de la vacuna antigripal y controles sanos. Según los resultados, Mal-ID distinguió eficazmente seis estados de enfermedad distintos en 550 muestras emparejadas de BCR y TCR con una puntuación AUROC multiclase de 0,986, lo que indica una precisión de clasificación excepcionalmente alta. Esta métrica refleja la capacidad del modelo para clasificar los casos positivos por encima de los negativos en todas las comparaciones de enfermedades. Aunque el modelo logró diferenciar entre COVID-19, VIH, lupus, T1D e individuos sanos -lo que ilustra su potencial como potente herramienta de diagnóstico-, Zaslavsky y sus colegas señalan que el enfoque aún debe perfeccionarse utilizando información clínica antes de que pueda utilizarse con confianza en aplicaciones clínicas.

Investigadores de Mayo Clinic han descubierto que una nueva diana en inmunoterapia, un antígeno críptico, puede ser clave para ayudar al sistema inmunitario a combatir el cáncer de ovario. El estudio, publicado en Sciences Advances, puede perfeccionar los enfoques de tratamiento para este tipo de cáncer.

Un estudio liderado por la US describe diversos aspectos desconocidos hasta ahora de estas indumentarias y su importante significado