Inteligencia artificial y tecnologías estratégicas: oportunidades y desafíos en la era del Big Data

Sabrina Dhooge; Ana Paula Flores Guirado; Lucía Boffelli; Jeremías Dutto; Mariana Maccioni; Nicolás Gonzalo Nuñez

Authors

es es Universidad Nacional de Córdoba. Facultad de Ciencias Químicas. Departamento de Bioquímica Clínica; Consejo Nacional de Investigaciones Científicas y Técnicas. Centro de Investigación en Bioquímica Clínica e Inmunología (CIBICI).
es es Universidad Nacional de Córdoba. Facultad de Ciencias Químicas. Departamento de Bioquímica Clínica; Consejo Nacional de Investigaciones Científicas y Técnicas. Centro de Investigación en Bioquímica Clínica e Inmunología (CIBICI).
es es Universidad Nacional de Córdoba. Facultad de Ciencias Químicas. Departamento de Bioquímica Clínica; Consejo Nacional de Investigaciones Científicas y Técnicas. Centro de Investigación en Bioquímica Clínica e Inmunología (CIBICI).
es es Universidad Nacional de Córdoba. Facultad de Ciencias Químicas. Departamento de Bioquímica Clínica; Consejo Nacional de Investigaciones Científicas y Técnicas. Centro de Investigación en Bioquímica Clínica e Inmunología (CIBICI).
es es Universidad Nacional de Córdoba. Facultad de Ciencias Químicas. Departamento de Bioquímica Clínica; Consejo Nacional de Investigaciones Científicas y Técnicas. Centro de Investigación en Bioquímica Clínica e Inmunología (CIBICI).
es es

Keywords:

Inteligencia artificial, Macrodatos

Abstract

El avance de las tecnologías de la información y el desarrollo de Big Data e Inteligencia Artificial (IA) han transformado significativamente diversos campos, incluyendo la medicina y las ciencias de la salud. Este proyecto explora cómo Big Data e IA están redefiniendo el estudio y tratamiento de enfermedades complejas como el cáncer, enfermedades autoinmunes, y el desarrollo de vacunas. La integración de grandes volúmenes de datos genómicos, proteómicos, y clínicos mediante técnicas avanzadas de IA ha permitido avances en el descubrimiento de fármacos, la personalización de tratamientos y la mejora en los métodos de diagnóstico y monitoreo de pacientes. En particular, se exploran aplicaciones específicas en inmunología, donde tecnologías como la secuenciación de ARN de célula única (single-cell RNA sequencing, scRNA-seq), la citometría de flujo (fluorescence-activated cell sorting, FACS), y la indexación celular de transcriptomas y epítopos mediante secuenciación (Cellular
Indexing of Transcriptomes and Epitopes by Sequencing, CITE-seq) están generando volúmenes masivos de datos que requieren análisis sofisticados para desentrañar mecanismos inmunológicos complejos. Finalmente, se discuten los retos y oportunidades futuras en la implementación de estas tecnologías, enfocándose en la necesidad de desarrollar marcos éticos, mejorar la interoperabilidad de datos, y garantizar la equidad en el acceso a estas innovaciones.

References

Agrebi, S., and Larbi, A. (2020). Chapter 18 - Use of artificial intelligence in infectious diseases. D.B.T.-A.I. in P.H. Barh, ed. (Academic Press), pp. 415–438.

Aslam, F., and Yue, Y. (2022). Big data analytics and COVID-19 vaccine. Comput. Methods Programs Biomed. Updat. 2, 100062.

Bragazzi, N.L., Dai, H., Damiani, G., Behzadifar, M., Martini, M., and Wu, J. (2020). How Big Data and Artificial Intelligence

Can Help Better Manage the COVID-19 Pandemic. Int. J. Environ. Res. Public Health 17.

Chen, R.J., Ding, T., Lu, M.Y., Williamson, D.F.K., Jaume, G., Song, A.H., Chen, B., Zhang, A., Shao, D., Shaban, M., et al. (2024). Towards a general-purpose foundation model for computational pathology. Nat. Med. 30, 850–862.

Collins, F.S., and Varmus, H. (2015). A new initiative on precision medicine. N. Engl. J. Med. 372, 793–795.

Davenport, T., and Kalakota, R. (2019). The potential for artificial intelligence in healthcare. Futur. Healthc. J. 6, 94–98.

Esteva, A., Robicquet, A., Ramsundar, B., Kuleshov, V., DePristo, M., Chou, K., Cui, C., Corrado, G., Thrun, S., and Dean, J. (2019). A guide to deep learning in healthcare. Nat. Med. 25, 24–29.

Hao, Y., Hao, S., Andersen-Nissen, E., Mauck, W.M., Zheng, S., Butler, A., Lee, M.J., Wilk, A.J., Darby, C., Zager, M., et al. (2021). Integrated analysis of multimodal single-cell data. Cell 184, 3573-3587.e29.

Herbst, R.S., Soria, J.-C., Kowanetz, M., Fine, G.D., Hamid, O., Gordon, M.S., Sosman, J.A., McDermott, D.F., Powderly, J.D., Gettinger, S.N., et al. (2014). Predictive correlates of response to the anti-PD-L1 antibody MPDL3280A in cáncer patients. Nature 515, 563–567.

Ishigaki, K., Sakaue, S., Terao, C., Luo, Y., Sonehara, K., Yamaguchi, K., Amariuta, T., Too, C.L., Laufer, V.A., Scott, I.C., et al. (2022). Multi-ancestry genome-wide association analyses identify novel genetic mechanisms in rheumatoid arthritis. Nat. Genet. 54, 1640–1651.

Jiang, F., Jiang, Y., Zhi, H., Dong, Y., Li, H., Ma, S., Wang, Y., Dong, Q., Shen, H., and Wang, Y. (2017). Artificial intelligence in healthcare: past, present and future. Stroke Vasc. Neurol. 2, 230–243.

Laney, D. (2001). 3D data management: Controlling data volume, velocity and variety. META Gr. Res. Note 6, 1.

LeCun, Y., Bengio, Y., and Hinton, G. (2015). Deep learning. Nature 521, 436–444.

Lin, C., Karlson, E.W., Dligach, D., Ramirez, M.P., Miller, T.A., Mo, H., Braggs, N.S., Cagan, A., Gainer, V., Denny, J.C., et al. (2015). Automatic identification of methotrexate-induced liver toxicity in patients with rheumatoid arthritis from the electronic medical record. J. Am. Med. Inform. Assoc. 22, e151-61.

Lu, M.Y., Chen, B., Williamson, D.F.K., Chen, R.J., Liang, I., Ding, T., Jaume, G., Odintsov, I., Le, L.P., Gerber, G., et al. (2024). A visual-language foundation model for computational pathology. Nat. Med. 30, 863–874.

Mann, M., Kumar, C., Zeng, W.-F., and Strauss, M.T. (2021). Artificial intelligence for proteomics and biomarker discovery. Cell Syst. 12, 759–770.

Nuñez, N.G., Berner, F., Friebel, E., Unger, S., Wyss, N., Gomez, J.M., Purde, M.-T., Niederer, R., Porsch, M., Lichtensteiger, C., et al. (2023). Immune signatures predict development of autoimmune toxicity in patients with cancer treated with immune checkpoint inhibitors. Med (New York, N.Y.) 4, 113-129.e7.

Obermeyer, Z., and Emanuel, E.J. (2016). Predicting the Future - Big Data, Machine Learning, and

Clinical Medicine. N. Engl. J. Med. 375, 1216–1219.

Qiao, Z., Nie, W., Vahdat, A., Miller, T.F., and Anandkumar, A. (2024). State-specific protein–ligand complex structure prediction with a multiscale deep generative model. Nat. Mach. Intell. 6, 195–208.

Raghupathi, W., and Raghupathi, V. (2014). Big data analytics in healthcare: promise and potential. Heal. Inf. Sci. Syst. 2, 3.

Rizvi, N.A., Hellmann, M.D., Snyder, A., Kvistborg, P., Makarov, V., Havel, J.J., Lee, W., Yuan, J., Wong, P., Ho, T.S., et al. (2015). Cancer immunology. Mutational landscape determines sensitivity to PD-1

blockade in non-small cell lung cancer. Science 348, 124–128.

Rudin, C. (2019). Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead. Nat. Mach. Intell. 1, 206–215.

Russell, S.J., Russell, S., and Norvig, P. (2020). Artificial Intelligence: A Modern Approach (Pearson).

Shah, P., Kendall, F., Khozin, S., Goosen, R., Hu, J., Laramie, J., Ringel, M., and Schork, N. (2019). Artificial intelligence and machine learning in clinical development: a translational perspective. Npj Digit. Med. 2, 69.

Shaik, T., Tao, X., Higgins , N., Li, L., Gururajan, R., Zhou, X., and Acharya, U.R. (2023). Remote patient monitoring using artificial intelligence: Current state, applications, and challenges. Wiley Interdiscip. Rev. Data Min. Knowl. Discov. 13, e1485.

Shendure, J., Balasubramanian, S., Church, G.M., Gilbert, W., Rogers, J., Schloss, J.A., and Waterston, R.H. (2017). DNA sequencing at 40: past, present and future. Nature 550, 345–353.

Stafford, I.S., Kellermann, M., Mossotto, E., Beattie, R.M., MacArthur, B.D., and Ennis, S. (2020). A systematic review of the applications of artificial intelligence and machine learning in autoimmune diseases. Npj Digit. Med. 3, 30.

Steinhubl, S.R., Muse, E.D., and Topol, E.J. (2015). The emerging field of mobile health. Sci. Transl. Med. 7, 283rv3-283rv3.

Stoeckius, M., Zheng, S., Houck-Loomis, B., Hao, S., Yeung, B.Z., Mauck, W.M., Smibert, P., and Satija, R. (2018). Cell Hashing with barcoded antibodies enables multiplexing and doublet detection for single cell genomics. Genome Biol. 19, 1–12.

Tang, F., Barbacioru, C., Wang, Y., Nordman, E., Lee, C., Xu, N., Wang, X., Bodeau, J., Tuch, B.B., Siddiqui, A., et al. (2009).

mRNA-Seq whole-transcriptome analysis of a single cell. Nat. Methods 6, 377–382.

Topol, E.J. (2019). High-performance medicine: the convergence of human and artificial intelligence. Nat. Med. 25, 44–56.

Wei, Z., Wang, W., Bradfield, J., Li, J., Cardinale, C., Frackelton, E., Kim, C., Mentch, F., Van Steen, K., Visscher, P.M., et al. (2013). Large sample size, wide variant spectrum, and advanced machine-learning technique boost risk prediction for inflammatory bowel disease. Am. J. Hum. Genet. 92, 1008–1012.

Wong, Z.S.Y., Zhou, J., and Zhang, Q. (2019). Artificial Intelligence for infectious disease Big Data Analytics. Infect. Dis. Heal. 24, 44–48.

Yofe, I., Dahan, R., and Amit, I. (2020). Single-cell genomic approaches for developing the next generation of immunotherapies. Nat. Med. 26, 171–177.

Zhang, H., Zhang, L., Lin, A., Xu, C., Li, Z., Liu, K., Liu, B., Ma, X., Zhao, F., Jiang, H., et al. (2023). Algorithm for optimized mRNA design improves stability and immunogenicity. Nature 621, 396–403.

es

Authors

Keywords:

Abstract

References

Downloads

Published

Issue

Section

License

Licencia Creative Commons BY NC

Usted es libre de:

Bajo los siguientes términos:

Language

Information