Enfoques integradores multiómicos y de aprendizaje automático/aprendizaje profundo en el descubrimiento de...

Área de la Ciencia:

• Oncología y Biología Computacional
• Inteligencia Artificial en Medicina
• Bioinformática y Ciencia de Datos

Sus antecedentes:

• La aplicación de la IA, específicamente ML y DL, está avanzando rápidamente en la investigación del cáncer y el análisis de datos.
• La integración de datos multiómicos (genómica, transcriptómica, proteómica) ofrece un enfoque integral para comprender la complejidad del cáncer.
• Existe una necesidad creciente de evaluar los métodos actuales de integración multiómica en oncología.

Objetivo del estudio:

• Realizar una revisión de alcance para evaluar la efectividad de los enfoques de ML/DL en la integración multiómica para la investigación del cáncer.
• Describir modelos, métodos y aplicaciones de IA para descubrir nuevos conocimientos sobre el cáncer a partir de datos multiómicos.
• Identificar temas clave, lagunas de conocimiento y tendencias en la literatura sobre integración multiómica.

Principales métodos:

• Búsqueda sistemática de literatura en 70 estudios centrados en la integración multiómica en la investigación del cáncer.
• Análisis de los modelos y métodos descritos utilizados para la predicción, subtipificación y clasificación impulsadas por IA.
• Identificación y síntesis de temas comunes, diversidad en diseños y tipos de datos en los estudios incluidos.

Principales resultados:

• La integración multiómica juega un papel crucial en la predicción de variables pronósticas/diagnósticas y en la clasificación de subtipos de cáncer.
• Se observó una diversidad significativa en los diseños de estudios y tipos de datos, lo que dificulta la comparación directa de los enfoques.
• Las aplicaciones de ML/DL en multiómica facilitan una comprensión más profunda de la biología del cáncer y las posibles estrategias terapéuticas.

Conclusiones:

• La integración multiómica, impulsada por la IA, es vital para avanzar en la comprensión, predicción y clasificación del cáncer.
• La literatura actual revela la necesidad de una mayor estandarización en los métodos de integración multiómica.
• Se requiere una mayor investigación y estandarización para aplicaciones clínicas sólidas impulsadas por IA en oncología.