Técnicas de computación para el análisis de secuenciación masiva de ADN en medicina personalizada
DOI:
https://doi.org/10.18041/1794-4953/avances.1.12584Palabras clave:
Biotecnología, Biología molecular, Genoma, Salud, Técnicas computacionalesResumen
El objetivo de esta investigación bibliográfica es explorar en profundidad las diversas técnicas computacionales empleadas para el análisis de secuenciación masiva de ADN en el contexto de la medicina personalizada. Se examinan tanto los enfoques tradicionales como las innovaciones recientes en este campo, destacando sus aplicaciones, ventajas y limitaciones. Además, se abordan las líneas de investigación emergentes en la intersección entre la informática y la genómica, con el fin de promover el avance continuo en la prestación de atención médica personalizada y precisa. La investigación enfatiza la necesidad de adoptar un enfoque multidisciplinario que garantice la privacidad de los datos de pacientes, para lograr diagnósticos precisos y aprovechar plenamente los avances en el análisis de ADN. Tecnologías como Machine Learning, Deep Learning e Inteligencia Artificial desempeñan un papel fundamental en la gestión y el análisis de grandes volúmenes de datos genómicos, permitiendo la integración de datos que aporta una visión más completa de los sistemas biológicos. Además, se analizan modelos mecanicistas metabólicos y cuantitativos orientados a la personalización de tratamientos para enfermedades como la obesidad, el cáncer y el Alzheimer
Descargas
Referencias
[1] A. Mordoh, “Secuenciación masiva de ADN: la próxima generación,” Dermatología argentina/Dermatología argentina, vol. 25, núm. 1, pp. 02–08, Jun. 2019.
[2] Z. Wan, J. W. Hazel, E. W. Clayton, Y. Vorobeychik, M. Kantarcioglu, y B. A. Malin, “Sociotechnical safeguards for genomic data privacy,” Nature Reviews Genetics, vol. 23, Mar. 2022, doi: https://doi.org/10.1038/s41576-022-00455-y
[3] A. R. Marderstein, E. R. Davenport, S. Kulm, C. V. Van Hout, O. Elemento, y A. G. Clark, “Leveraging phenotypic variability to identify genetic interactions in human phenotypes,” The American Journal of Human Genetics, vol. 108, núm. 1, pp. 49–67, ene. 2021, doi: https://doi.org/10.1016/j.ajhg.2020.11.016.
[4] A. Lunati‐Rozie et al., “Use of minigene assays as a useful tool to confirm the pathogenic role of intronic variations of the ANK1 gene: Report of two cases of hereditary spherocytosis,” British Journal of Haematology, vol. 201, núm. 4, Mar. 2023, doi: https://doi.org/10.1111/bjh.18760.
[5]M. Kusunose and K. Muto, “Public attitudes toward cloud computing y willingness to share personal health records (PHRs) and genome data for health care research in Japan,” Human Genome Variation, vol. 10, núm. 1, Mar. 2023, doi: https://doi.org/10.1038/s41439-023-00240-1.
[6] B. Jivanelli, “The End of Genetics: Designing Humanity’s DNA,” Journal of Consumer Health on the Internet, vol. 26, núm. 2, pp. 232–233, Abr. 2022, doi: https://doi.org/10.1080/15398285.2022.2068914.
[7] C. Tuena, M. Semonella, J. Fernández-Álvarez, D. Colombo, y P. Cipresso, “Predictive Precision Medicine: Towards the Computational Challenge,” P5 eHealth: An Agenda for the Health Technologies of the Future, pp. 71–86, nov. 2019, doi: https://doi.org/10.1007/978-3-030-27994-3_5.
[8] F. T. Musuamba et al., “Scientific and regulatory evaluation of mechanistic in silico drug and disease models in drug development: Building model credibility,” CPT: pharmacometrics & systems pharmacology, vol. 10, núm. 8, pp. 804–825, ago. 2021, doi: https://doi.org/10.1002/psp4.12669.
[9] M. Hassan et al., “Innovations in Genomics and Big Data Analytics for Personalized Medicine and Health Care: A Review,” International Journal of Molecular Sciences, vol. 25, no. 7, 2024.
[10] C. B. Collin et al., “Computational Models for Clinical Applications in Personalized Medicine—Guidelines and Recommendations for Data Integration and Model Validation,” Journal of Personalized Medicine, vol. 12, núm. 2, p. 166, ene. 2022, doi: https://doi.org/10.3390/jpm12020166
[11] F. Eduati et al., “Patient‐specific logic models of signaling pathways from screenings on cancer biopsies to prioritize personalized combination therapies,” Molecular Systems Biology, vol. 16, núm. 2, feb. 2020, doi: https://doi.org/10.15252/msb.20188664.
[12] J. F. Hastings, Y. E. I. O’Donnell, D. Fey, y D. R. Croucher, “Applications of personalised signalling network models in precision oncology,” Pharmacology & Therapeutics, vol. 212, p. 107555, ago. 2020, doi: https://doi.org/10.1016/j.pharmthera.2020.107555.
[13] S. Gagnon et al., “TBpore cluster: A novel phylogenetic pipeline for tuberculosis transmission studies using nanopore next-generation sequencing data,” PLoS ONE, vol. 20, núm. 6, pp. e0325914–e0325914, jun. 2025, doi: https://doi.org/10.1371/journal.pone.0325914.
Publicado
Número
Sección
Licencia
Derechos de autor 2025 Avances Investigación en Ingeniería
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
