En esta revisión sistemática examinamos el papel de la Inteligencia Artificial (IA) y el Aprendizaje Profundo (Deep Learning, DL) en el desarrollo de herramientas de deconvolución celular, con un enfoque especial en su aplicación al análisis de datos transcriptómicos procedentes de la secuenciación de ARN (RNA sequencing). Destacamos la importancia crítica de contar con perfiles de referencia de alta calidad para mejorar la precisión de los métodos de deconvolución analizados, lo cual es esencial para determinar las composiciones celulares en muestras biológicas complejas. Para garantizar la solidez de nuestro trabajo, hemos aplicado un riguroso proceso de selección siguiendo las directrices de Preferred Reporting Items for Systematic Reviews and Meta-Analysis (PRISMA). A través del proceso de revisión, hemos identificado varias lagunas clave en la investigación, subrayando la necesidad de metodologías estandarizadas y la mejora de la interpretabilidad de los modelos. En conjunto, presentamos una visión general completa y actualizada de las diferentes metodologías, conjuntos de datos y hallazgos asociados a herramientas de deconvolución impulsadas por DL, abriendo el camino para futuras investigaciones y resaltando el valor de la colaboración entre las ciencias computacionales y biológicas.
Within this systematic review we examine the role of Artificial Intelligence (AI) and Deep Learning (DL) in the development of cellular deconvolution tools, with an special focus on their application to the analysis of transcriptomics data from RNA sequencing. We emphasize the critical importance of high–quality reference profiles for enhancing the accuracy of the discussed deconvolution methods, which is essential to determine cellular compositions in complex biological samples. To ensure the robustness of our work, we have applied a rigorous selection process following the Preferred Reporting Items for Systematic Reviews and Meta–Analysis (PRISMA) guidelines. Through the review process, we have identified several key research gaps, highlighting the necessity for standardized methodologies and the improvement of the interpretability of the models. Overall, we present a comprehensive, up to date overview of the different methodologies, datasets, and findings associated with DL–driven deconvolution tools, paving the way for future research and emphasizing the value of collaboration between computational and biological sciences
Publicado por nuestros investigadores, José Manuel Sánchez Velázquez y Alba Lomas Redondo, junto a nuestro querido Álvaro García Tejedor, cuyo compromiso, rigor y dedicación representan fielmente los valores que definen nuestro trabajo investigador.