Inteligencia artificial avanzada en la investigación de piARNs y proteínas similares a PIWI: Una revisión sistemática de RNN, LSTM y técnicas computacionales emergentes

Resumen

Introducción. Los ARN que interactúan con PIWI son pequeños ARN no codificantes involucrados en la regulación génica y la represión de elementos transponibles, posicionándose como biomarcadores prometedores y objetivos terapéuticos en oncología. Los avances en inteligencia artificial, como redes neuronales recurrentes, modelos de memoria a largo plazo y redes convolucionales gráficas, ofrecen mejoras significativas en la detección de piRNAs.
Objetivos. Evaluar el desempeño de modelos de IA, como RNN, LSTM y GCN, en la detección de piRNAs y sus implicaciones en el diagnóstico y pronóstico del cáncer.
Materiales y métodos. Se revisaron 24 estudios obtenidos de PubMed, ScienceDirect, Scopus y Web of Science, centrados en enfoques basados en IA para detectar piRNAs. Se incluyeron artículos originales en inglés o español en contextos clínicos o experimentales. Se analizaron métricas como precisión, sensibilidad y especificidad.
Resultados. Los modelos LSTM lograron la mayor precisión general (92.3%), seguidos por GCN (91.4%), SVM (88%) y RNN (85.7%). LSTM destacó por su sensibilidad (94%) y especificidad (91%). Los modelos GCN mostraron eficacia en asociaciones piRNA-enfermedad con bases de datos complejas, mientras que SVM fue eficaz en bases de datos pequeñas, aunque con limitaciones de escalabilidad.
Conclusión. Los modelos de IA, especialmente LSTM y GCN, mejoran significativamente la detección de piRNAs, promoviendo su aplicación en diagnóstico del cáncer y medicina personalizada. Los estudios futuros deben refinar estos modelos, abordar sesgos y explorar su integración en flujos clínicos.