(17 de marzo de 2024) Como prueba de la exactitud de la declaración del presidente Joe Biden de que “los indios americanos se están apoderando del país”, numerosos jóvenes de origen indio han sobresalido constantemente en la Búsqueda de Talentos Científicos de Regeneron. Apodado el “Junior Nobel” de los Estados Unidos, varios estudiantes de secundaria de ascendencia india han conseguido consistentemente lugares entre los 10 finalistas de esta estimada competencia STEM, reconocida por identificar a los científicos jóvenes más inventivos.
Siguiendo la tradición, el estudiante indio americano Achyuta Rajaram también ha sido nombrado ganador de la Búsqueda de Talentos Científicos de Regeneron este año, con un premio en efectivo de 250,000 dólares. Pero no está solo en la cima. Un total de 13 estudiantes entre los 40 finalistas de la búsqueda de talentos científicos de este año son de origen indio. Motivados por desafíos apremiantes que obstaculizan el progreso diario, estos estudiantes han ideado remedios sencillos, distintivos y asequibles, mostrando su promesa como futuros científicos e innovadores dedicados a beneficiar a la humanidad. India global Pone de relieve a estos jóvenes genios.
Achyuta Rajaram
Con tan solo 17 años, Achyuta ya está teniendo un impacto significativo en la comunidad científica. Este joven innovador ideó una técnica automatizada para desvelar los segmentos de un modelo informático responsables de la toma de decisiones al analizar imágenes. Esta comprensión ilumina los procesos cognitivos de estos algoritmos, ayudando así a mejorarlos para que sean más eficientes, equitativos y seguros.
Mejoró la detección automatizada de circuitos visuales a través de su proyecto de informática presentado a Regeneron Science Talent Search. En el ámbito del aprendizaje automático, los algoritmos informáticos examinan los datos para abordar consultas vitales del mundo real. La investigación de Achyuta ha mejorado nuestra capacidad para comprender el funcionamiento interno de los modelos informáticos que distinguen patrones en las imágenes. En concreto, su trabajo arroja luz sobre los procesos de pensamiento detrás de estos modelos al analizar fotografías e identifica qué componentes de sus marcos computacionales contribuyen a la toma de decisiones.
Pero él no es sólo otro niño nerd. A Achyuta le gustan mucho los gatos pero no tiene ninguno en casa. Entonces, utilizó trucos informáticos para organizar 2,300 imágenes divertidas de gatos. Dice que es una forma divertida de tomar un descanso y disfrutar mirando lindos gatos.
Aditi Avinash
Subió al escenario para hablar en nombre de la promoción de búsqueda de talentos científicos de Regeneron de 2024 y fue nombrada ganadora del premio Seaborg. Aditi, otra estudiante de 17 años de la escuela secundaria Rock Canyon, Colorado, descubrió que una mezcla de tres enzimas descompone eficientemente las proteínas del gluten, un hallazgo que ella considera prometedor terapéutico para las personas con enfermedad celíaca o intolerancia al gluten. Observó que la administración simultánea de las enzimas resultó más efectiva que la administración secuencial, tanto para degradar el gluten como para disminuir las reacciones inmunes de las células T. Este descubrimiento podría allanar el camino para nuevos tratamientos para la enfermedad celíaca.
La investigación del estudiante sugirió que mezclar las enzimas resultó superior para descomponer el gluten y reducir la respuesta inmune de las células T en comparación con la administración de las enzimas una tras otra. Ella imagina desarrollar una pastilla para aliviar las molestias asociadas con la enfermedad celíaca y la intolerancia al gluten, permitiendo a las personas con estas condiciones consumir productos de trigo sin problemas.
Arnav N. Chakravarthy
Arnav, que ocupó el noveno lugar en la competencia, recibió un premio de 50,000 dólares por su investigación sobre los orígenes genéticos de los macrófagos, un tipo de célula inmune que se encuentra en el cerebro, el hígado y la médula ósea. Su investigación tuvo como objetivo arrojar luz sobre los mecanismos a través de los cuales estas células se regeneran. Si bien muchas células se remontan a sus orígenes embrionarios, Arnav descubrió evidencia que sugiere que células cerebrales específicas también podrían reponerse a partir de nuestra médula ósea a medida que envejecemos. Sus descubrimientos tienen el potencial de servir de base para futuros tratamientos específicos para dolencias relacionadas con la edad, como la enfermedad de Alzheimer.
Para evaluar esta hipótesis, Arnav empleó una herramienta genómica para rastrear los orígenes de muestras de cerebro e hígado, junto con muestras de médula ósea procedentes de los mismos donantes. Luego comparó el linaje y las mutaciones distintivas de las células. Sus resultados indican el potencial de las capacidades regenerativas de las células de macrófagos, lo que podría tener implicaciones para afecciones relacionadas con la edad, como la enfermedad de Alzheimer.
Saraswathy Amjith
Saraswathy, fundadora y presidenta de una organización sin fines de lucro que ofrece enseñanza y tutoría gratuitas a más de 200 estudiantes desatendidos, ideó un método para mejorar la precisión de la identificación de la tala ilegal como parte de su proyecto de ciencias ambientales para Regeneron Science Talent Search. Su objetivo era desarrollar una herramienta para detectar la tala ilegal. Realizó experimentos con diferentes técnicas de aprendizaje automático, aprovechando datos de sensores remotos basados en satélites para identificar el enfoque más eficaz para detectar actividades de tala. Dado el desafío de la cobertura de nubes en las regiones tropicales que obstaculiza la efectividad de las imágenes satelitales, Saraswathy integró métodos de imágenes ópticas y de radar para lograr resultados de detección más precisos.
En su proyecto, Saraswathy descubrió una manera de mitigar el impacto del tiempo nublado fusionando conjuntos de datos ópticos y de radar de satélite, ya que las imágenes de radar no se ven afectadas por las nubes. Posteriormente, evaluó diferentes métodos de aprendizaje automático para determinar cuál era el enfoque más eficaz para esta aplicación en particular.
