Progreso y tendencias en el aprendizaje automático en proteómica durante 1997-2024: un análisis bibliométrico

Área de la Ciencia:

• Proteómica y bioinformática
• Biología computacional
• Ciencia de datos en las ciencias de la vida

Sus antecedentes:

• Creciente interés en las aplicaciones de aprendizaje automático (ML) dentro de la proteómica.
• Falta de una cartografía sistemática del dominio de investigación de la proteómica impulsada por el aprendizaje automático.
• Necesidad de comprender la estructura del conocimiento, la trayectoria de desarrollo y las tendencias emergentes en este campo.

Objetivo del estudio:

• Realizar el primer análisis bibliométrico a gran escala exclusivamente en proteómica impulsada por el aprendizaje automático.
• Aclarar la estructura del conocimiento, la trayectoria de desarrollo y las tendencias de investigación emergentes.
• Identificar los focos de investigación clave, los colaboradores influyentes y los patrones de colaboración.

Principales métodos:

• Análisis bibliométrico de 5.156 publicaciones (1997-2024) de la colección Web of Science Core.
• Utilizó CiteSpace, VOSviewer, Scimago Graphica y el paquete bibliométrico R para la extracción y visualización de datos.
• Analizó la coincidencia de palabras clave, las redes de citas, las principales revistas, los autores y las colaboraciones institucionales.

Principales resultados:

• Crecimiento exponencial de las publicaciones desde 2010, con un aumento significativo entre 2019 y 2020.
• Estados Unidos es el país más productivo; la Academia China de Ciencias lidera las instituciones.
• El aprendizaje profundo, particularmente AlphaFold2, impulsa altas citas; Los temas clave incluyen la predicción de la interacción proteína-proteína y el análisis multiómico.
• Fuerte convergencia interdisciplinaria a través de la informática, la biología molecular y la investigación clínica.

Conclusiones:

• Presenta la primera descripción bibliométrica completa del aprendizaje automático en proteómica.
• Destaca los temas clave: el aprendizaje profundo, los modelos pre-entrenados y la integración multi-económica.
• Recomienda centrarse en modelos interpretables, una colaboración mejorada y el uso estandarizado de datos para avanzar en la medicina de precisión.