Farmacología y Terapéutica. Tema 3. Mecanismos de acción de los fármacos (curso 2011-2012)

Farmacodinamia

Los estereotipos de género en la publicidad de fármacos

La publicidad de fármacos (PF) es uno de los filtros más potentes del conocimiento médico sobre las novedades farmacológicas. Para lograr un mayor impacto publicitario, que repercuta en el incremento de las ventas, una de las estrategias utilizadas es la segmentación del consumidor final por sus características sociodemográficas a través de las imágenes publicitarias. Desde el punto de vista de los estudios de género, esta representación es foco de interés, ya que la visibilidad o invisibilidad de un sexo frente a otro puede ser un modo de reforzar el determinismo biológico, contribuyendo a favorecer la percepción de que ciertas enfermedades se asocian más a uno de los sexos por sus características biológicas, cuando en realidad se trata de constructos sociales. El objetivo de este trabajo es comprobar si a lo largo del tiempo se siguen reproduciendo cuantitativa y cualitativamente estereotipos de género en la PF insertada en revistas de medicina general y en revistas especializadas, a través de una revisión sistemática de la literatura científica (1998-2008).

Descubrimiento de fármacos basado en cribado virtual refinado con enfoques neuronales paralelos

En el campo de la medicina clínica es crucial poder determinar la seguridad y la eficacia de los fármacos actuales y además acelerar el descubrimiento de nuevos compuestos activos. Para ello se llevan a cabo ensayos de laboratorio, que son métodos muy costosos y que requieren mucho tiempo. Sin embargo, la bioinformática puede facilitar enormemente la investigación clínica para los fines mencionados, ya que proporciona la predicción de la toxicidad de los fármacos y su actividad en enfermedades nuevas, así como la evolución de los compuestos activos descubiertos en ensayos clínicos. Esto se puede lograr gracias a la disponibilidad de herramientas de bioinformática y métodos de cribado virtual por ordenador (CV) que permitan probar todas las hipótesis necesarias antes de realizar los ensayos clínicos, tales como el docking estructural, mediante el programa BINDSURF. Sin embargo, la precisión de la mayoría de los métodos de CV se ve muy restringida a causa de las limitaciones presentes en las funciones de afinidad o scoring que describen las interacciones biomoleculares, e incluso hoy en día estas incertidumbres no se conocen completamente. En este trabajo abordamos este problema, proponiendo un nuevo enfoque en el que las redes neuronales se entrenan con información relativa a bases de datos de compuestos conocidos (proteínas diana y fármacos), y se aprovecha después el método para incrementar la precisión de las predicciones de afinidad del método de CV BINDSURF.