Dihexa aparece con frecuencia en conversación y rara vez con contexto. Aquí van primero los fundamentos y después las consideraciones prácticas.
Revisado el 2025-09-08. Lo que sigue en debate se marca como tal.
Los productos naturales se han usado para tratar enfermedades desde hace miles de años. Es un campo con interés nuevamente por la comunidad científica, y ha resultado en un desarrollo sustancial en la industria farmacéutica. Algunos ejemplos de productos naturales en los que se basan estas estrategias son fitoquímicos, metabolitos fúngicos, toxinas y anticuerpos, entre otros. Otra tendencia son los métodos informáticos y computacionales basados en métodos de inteligencia artificial y aprendizaje automático, y incluyendo campos tan importantes como la quimioinformática, bioinformática y métodos semánticos.
Fuentes: es.wikipedia.org
== Aprendizaje automático para descubrimiento de fármacos == Una de las aplicaciones en el aprendizaje automático para el descubrimiento de fármacos es ayudar a los investigadores a entender y explotar la relación entre las estructuras químicas y sus actividades biológicas o SAR. Cuando se tiene un “hit” de una campaña de cribado de fármacos, se busca como se puede optimizar la estructura química para mejorar su afinidad de unión, respuesta biológica o propiedades físico-químicas. Las técnicas de aprendizaje automático incluyen aprendizaje supervisado y no supervisado. Dentro del método supervisado se encuentra el análisis de regresión, basándose los primeros modelos de QSAR en regresión lineal multivariante, aunque otros métodos usados recientemente son least absolute shrink-age and selection operator (LASSO). Otra técnica popular dentro de este grupo es regresión de mínimos cuadrados parciales (PLS). Normalmente estas técnicas se combinan con métodos no supervisados como análisis de componentes principales (PCA) para reducir la dimensionalidad de los datos. Aunque el análisis de regresión lineal se ha utilizado en muchos problemas de optimización de fármacos, tiene limitaciones que hacen que no sea válido para la mayoría de los problemas de QSAR. Otros métodos supervisados que se han utilizado son bosques aleatorios y máquinas de vectores de soporte (SVM).
Fuentes: es.wikipedia.org
Sin embargo, destacan la redes neuronales artificiales (ANN) que se han aplicado ampliamente a todas las ramas de la quimioinformática, incluido el modelado de propiedades QSAR / QSPR de moléculas pequeñas, así como la realización de análisis farmacocinéticos y farmacodinámico. Hoy día, las técnicas modernas de aprendizaje automático se pueden usar para modelar QSAR, o relaciones cuantitativas estructura-propiedad (QSPR), y desarrollar programas de inteligencia artificial que predicen con precisión in silico como las modificaciones químicas pueden influir en el comportamiento biológico. Muchas propiedades fisicoquímicas de los fármacos, como la toxicidad, el metabolismo, las interacciones fármaco-fármaco y la carcinogénesis, se han modelado eficazmente mediante técnicas QSAR.
Fuentes: es.wikipedia.org
=== Modelado QSAR === El protocolo general para la construcción de modelos QSAR para el descubrimiento de fármacos ha sido sistematizado y consta de varios pasos que involucran las técnicas de quimioinformática y aprendizaje automático. El primer paso es la "codificación molecular", en la que las características y propiedades químicas se derivan de estructuras químicas o de la búsqueda de resultados experimentales. En segundo lugar, se realiza un paso de selección de características donde se utilizan técnicas de aprendizaje no supervisadas para identificar las propiedades más relevantes y reducir la dimensionalidad del vector de características. Finalmente, en la fase de aprendizaje, se aplica un modelo de aprendizaje automático supervisado para descubrir una función empírica que puede lograr un mapeo óptimo entre los vectores de características de entrada y las respuestas biológicas. La construcción de un modelo QSAR preciso también requiere una cuidadosa consideración y selección de los conjuntos de datos SAR utilizados para el entrenamiento y la validación del modelo. El rendimiento de los modelos QSAR se evalúa habitualmente mediante métricas estándar como la sensibilidad, la especificidad, la precisión y el recuerdo.
Fuentes: es.wikipedia.org
Dihexa se resume aquí a partir de literatura pública: definición, contexto y los puntos que se repiten en la práctica. Información general, no consejo médico.
La investigación sobre Dihexa se apoya sobre todo en estudios de laboratorio y en modelos animales; los datos clínicos varían según la sustancia. Reflejamos el estado de la literatura.
Lo decisivo son la pureza y la analítica (HPLC, espectrometría de masas), una reconstitución correcta y un almacenamiento adecuado.%!(EXTRA string=Dihexa)
No todos los mecanismos están demostrados y un estudio aislado no es evidencia global. Esta página señala las preguntas abiertas en lugar de darlas por resueltas.%!(EXTRA string=Dihexa)