Camino a la precisión: aprendizaje automático y bioinformática en estudios de expresión génica de diabetes

Área de la Ciencia:

• Informática Biomédica
• Genómica
• Trastornos Metabólicos

Sus antecedentes:

• La diabetes mellitus es un trastorno metabólico crítico que requiere una comprensión profunda de sus mecanismos patogénicos.
• La identificación de las causas moleculares de la diabetes es esencial, y el análisis de biomarcadores, el aprendizaje automático y la bioinformática desempeñan funciones cruciales.

Objetivo del estudio:

• Resumir los avances actuales en la investigación de la diabetes.
• Destacar el progreso en bioinformática, análisis de expresión génica y aplicaciones de aprendizaje automático para la diabetes.
• Identificar técnicas y aplicaciones clave en estudios recientes de diabetes.

Principales métodos:

• Se realizó una búsqueda sistemática de literatura en Google Scholar, PubMed y Scopus.
• Las palabras clave incluyeron "diabetes", "biomarcadores", "bioinformática" y "aprendizaje automático".
• Se siguieron las directrices PRISMA para la selección de artículos, centrándose en artículos en inglés de acceso abierto publicados entre 2020 y 2024, lo que resultó en 96 estudios seleccionados.

Principales resultados:

• Los microarrays fueron la técnica predominante de adquisición de datos (70 ocurrencias).
• El análisis de vías KEGG fue el método bioinformático más común (84 instancias), seguido de LASSO (43) y PCA (47) para el aprendizaje automático.
• Las aplicaciones diagnósticas (51) fueron más frecuentes que las aplicaciones pronósticas (45).

Conclusiones:

• El análisis de vías KEGG y los datos de microarrays son vitales en la investigación actual sobre la diabetes.
• Se observó una subutilización de tecnologías más nuevas como RNA-seq y single-cell RNA-seq.
• La integración de bioinformática avanzada, aprendizaje automático y datos clínicos es crucial para la medicina de precisión y el tratamiento personalizado de la diabetes.