Predicción personalizada de la expresión génica en la era del aprendizaje profundo: una revisión

Área de la Ciencia:

• Genómica Computacional
• Bioinformática
• Análisis de Datos Genómicos

Sus antecedentes:

• La predicción de la expresión génica a partir de secuencias genómicas es un desafío clave en la genómica computacional.
• Los modelos de aprendizaje profundo entrenados con datos epigenómicos muestran potencial pero están limitados por el entrenamiento en el genoma de referencia.
• Estos modelos a menudo no logran capturar las variaciones genéticas individuales, lo que afecta la predicción personalizada de la expresión génica.

Objetivo del estudio:

• Revisar los avances recientes en la predicción de la expresión génica personalizada.
• Comparar los modelos de aprendizaje profundo con los enfoques lineales tradicionales para esta tarea.
• Destacar los modelos emergentes de lenguaje genómico y las estrategias de ajuste fino.

Principales métodos:

• Revisión de la literatura reciente sobre aprendizaje profundo y modelos lineales para la predicción de la expresión génica.
• Comparación del rendimiento del modelo en genomas de referencia frente a genomas personales.
• Análisis de estrategias de ajuste fino y modelos de lenguaje genómico.

Principales resultados:

• Los modelos de aprendizaje profundo enfrentan desafíos para superar a los modelos lineales en la predicción de la expresión génica entre individuos.
• La predicción precisa de la expresión génica personalizada sigue siendo un problema abierto.
• La arquitectura del modelo y las metodologías de entrenamiento avanzan continuamente.

Conclusiones:

• La predicción personalizada de la expresión génica requiere modelos que capturen eficazmente la variación genética individual.
• Si bien el aprendizaje profundo muestra potencial, los modelos lineales siguen siendo competitivos para las predicciones entre individuos.
• Se necesita más investigación para desarrollar métodos sólidos para la predicción personalizada de la expresión génica.