La obesidad afecta a más de 650 millones de personas en todo el mundo y provoca trastornos metabólicos como la diabetes tipo 2 (T2DM) y enfermedades cardiovasculares (CVD), que causan 17.9 millones de muertes anuales. Los enfoques multi-ómicos que abarcan genómica, transcriptómica, proteómica y metabolómica, combinados con inteligencia artificial (IA), ofrecen herramientas poderosas para desentrañar los mecanismos de enfermedades relacionadas con la obesidad y mejorar los modelos de predicción. Estudios recientes muestran que aplicar aprendizaje automático a datos ómicos de alta dimensión puede identificar biomarcadores y mejorar la precisión de la predicción en un 5 a 15% sobre la línea base del 85 al 90% lograda en tareas similares de detección temprana. Los modelos de aprendizaje profundo capturan patrones complejos en datos heterogéneos, pero enfrentan desafíos para armonizar diversos tipos de ómicas. Esta revisión evalúa críticamente las estrategias de integración multi-ómica impulsadas por IA, compara sus fortalezas, limitaciones y casos de uso óptimos, y delinear consideraciones clave como la estandarización de datos, la privacidad y el cumplimiento normativo para la traducción clínica en la investigación sobre la obesidad.
Saikia et al. (Tue,) estudiaron esta cuestión.