Técnicas de aprendizaje automático aplicadas a la predicción de datos biomoleculares
DOI:
https://doi.org/10.33448/rsd-v15i3.50648Palabras clave:
Aprendizaje automático, Aprendizaje profundo, IA.Resumen
El objetivo de este estudio fue analizar la aplicación de técnicas de aprendizaje automático (ML) en la evaluación de datos de predicción biomolecular en el campo de la genética, comparando diferentes enfoques en cuanto a precisión, eficiencia y aplicabilidad en el análisis de datos biomoleculares, así como identificando y discutiendo las principales limitaciones y avances de estas técnicas. En la era de la Industria 4.0, existe un crecimiento significativo en el volumen de datos digitales, incluyendo información de salud, redes sociales e Internet de las Cosas, cuyo análisis exige el uso de inteligencia artificial (IA), especialmente ML y aprendizaje profundo (DL). La IA permite a los sistemas computacionales realizar tareas tradicionalmente asociadas con la inteligencia humana, siendo ampliamente aplicada al análisis de big data en salud. Entre sus ventajas se encuentran la flexibilidad, escalabilidad y la capacidad de integrar datos heterogéneos, como información demográfica, pruebas de laboratorio, imágenes y textos clínicos, contribuyendo al diagnóstico, pronóstico y predicción de riesgos. El aprendizaje automático (ML) tiene amplias aplicaciones en biología molecular y descubrimiento de fármacos, mientras que el aprendizaje automático (AA), basado en redes neuronales profundas, resulta especialmente eficiente en el análisis de grandes volúmenes de datos, como en el diagnóstico del cáncer y la identificación de dianas terapéuticas. Sin embargo, persisten desafíos, como la necesidad de una infraestructura computacional robusta, la limitada interpretabilidad de los modelos, los altos costos computacionales y los problemas éticos relacionados con la privacidad y la seguridad de los datos.
Referencias
Crampon, K., Giorkallos, A., Deldossi, M., Baud, S., & Steffenel, L. A. (2022). Machine-learning methods for ligand–protein molecular docking. Drug Discovery Today, 27(1), 151–164. https://doi.org/10.1016/j.drudis.2021.09.007
Crossetti, M. G. O. (2012). Revisão integrativa de pesquisa na enfermagem o rigor cientifico que lhe é exigido. Rev Gaúcha Enferm. 33(2):8-9.
Dias, M. F. R., et al. (2021). Application of PolyPRep tools on HIV protease polyproteins using molecular docking. Brazilian Journal of Biology, 84, e245592. https://doi.org/10.1590/1519-6984.245592
Elgart, M., Redline, S., & Sofer, T. (2021). Machine and deep learning in molecular and genetic aspects of sleep research. Neurotherapeutics, 18(1), 228–243. https://doi.org/10.1007/s13311-021-01014-9
Gupta, R., Srivastava, D., Sahu, M., Tiwari, S., Ambasta, R. K., & Kumar, P. (2021). Artificial intelligence to deep learning: Machine intelligence approach for drug discovery. Molecular Diversity, 25, 1315–1360. https://doi.org/10.1007/s11030-021-10217-3
Hudson, I. L. (2021). Data integration using advances in machine learning in drug discovery and molecular biology. In Artificial Neural Networks (pp. 167–184). Springer. https://doi.org/10.1007/978-1-0716-0826-5_7
Issa, N. T., et al. (2021). Machine and deep learning approaches for cancer drug repurposing. In Seminars in Cancer Biology (pp. 132–142). Academic Press. https://doi.org/10.1016/j.semcancer.2019.12.011
Ngiam, K. Y., & Khor, I. W. (2019). Big data and machine learning algorithms for health-care delivery. The Lancet Oncology, 20(5), 262–273. : https://doi.org/10.1016/S1470-2045(19)30149-4
Pereira, A. S. et al. (2018). Metodologia da pesquisa científica. Editora da UFSM. https://repositorio.ufsm.br/bitstream/handle/1/15824/Lic_Computacao_Metodologia-Pesquisa-Cientifica.pdf?sequence=1.
Risemberg, R. I. C. et al. (2026). A importância da metodologia científica no desenvolvimento de artigos científicos. E-Acadêmica. 7(1), e0171675. https://eacademica.org/eacademica/article/view/675.
Snyder, H. (2019). Literature review as a research methodology: An overview and guidelines. Journal of Business Research. 104, 333-9. https://doi.org/10.1016/j.jbusres.2019.07.039.
Sarker, I. H. (2021). Machine learning: Algorithms, real-world applications and research directions. SN Computer Science, 2(3), 1–21. https://doi.org/10.1007/s42979-021-00592-x
Theodosiou, A. A., & Read, R. C. (2023). Artificial intelligence, machine learning and deep learning: Potential resources for the infection clinician. Journal of Infection, 87(4). https://www.sciencedirect.com/science/article/pii/S0163445323003791
Tran, K. A., et al. (2021). Deep learning in cancer diagnosis, prognosis and treatment selection. Genome Medicine, 13, Article 1–17. https://doi.org/10.1186/s13073-021-00968-x
Wessels, H. H., Stirn, A., Méndez-Mancilla, A., Kim, E. J., Hart, S. K., Knowles, D. A., & Sanjana, N. E. (2024). Prediction of on-target and off-target activity of CRISPR–Cas13d guide RNAs using deep learning. Nature Biotechnology, 42(4), 628–637. https://doi.org/10.1038/s41587-023-01830-8
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Yasmin Vitória da Silva Pedroso, Jéssica Karoline da Cunha, Joyce Nascimento Santos, Paulo Bandiera Paiva
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores que publican en esta revista concuerdan con los siguientes términos:
1) Los autores mantienen los derechos de autor y conceden a la revista el derecho de primera publicación, con el trabajo simultáneamente licenciado bajo la Licencia Creative Commons Attribution que permite el compartir el trabajo con reconocimiento de la autoría y publicación inicial en esta revista.
2) Los autores tienen autorización para asumir contratos adicionales por separado, para distribución no exclusiva de la versión del trabajo publicada en esta revista (por ejemplo, publicar en repositorio institucional o como capítulo de libro), con reconocimiento de autoría y publicación inicial en esta revista.
3) Los autores tienen permiso y son estimulados a publicar y distribuir su trabajo en línea (por ejemplo, en repositorios institucionales o en su página personal) a cualquier punto antes o durante el proceso editorial, ya que esto puede generar cambios productivos, así como aumentar el impacto y la cita del trabajo publicado.
