Inteligencia artificial avanzada en la investigación de piARN y proteínas similares a las PIWI: una revisión sistemática de redes neuronales recurrentes, memoria a corto plazo prolongada y técnicas computacionales emergentes
Resumen
Introducción. Los ARN que interactúan con las proteínas PIWI (P-element-Induced Wimpy Testis), son pequeños ARN no codificantes involucrados en la regulación génica y la represión de los transposones o “genes saltarines”. Por esta razón, son de interés como biomarcadores prometedores y como blancos terapéuticos en oncología. Los avances en inteligencia artificial, como redes neuronales recurrentes, modelos de memoria a corto plazo prolongada, y redes convolucionales gráficas, ofrecen mejoras significativas en la detección del ARN asociado con las proteínas PIWI.
Objetivo. Evaluar el desempeño de modelos de inteligencia artificial, como redes neuronales recurrentes, memoria a corto plazo prolongada y redes convolucionales gráficas, en la detección del ARN asociado con proteínas PIWI, y sus implicaciones en el diagnóstico y el pronóstico del cáncer.
Materiales y métodos. Se revisaron 24 estudios obtenidos de PubMed, ScienceDirect, Scopus y Web of Science, enfocados en tratar sobre inteligencia artificial encaminada a detectar ARN asociado con proteínas PIWI. Se incluyeron artículos originales en inglés o español, en los que se usaron modelos de inteligencia artificial en contextos clínicos o experimentales. Se analizó su desempeño mediante medidas de precisión, sensibilidad y especificidad. [métricas: cf. https://dle.rae.es/m%C3%A9trico?m=form]
Resultados. Los modelos de memoria a corto plazo prolongada lograron la mayor precisión general (92,3 %), seguidos por las redes convolucionales gráficas (91,4 %), máquinas de vectores de soporte (88 %) y redes neuronales recurrentes (85,7%). La sensibilidad (94 %) y la especificidad (91 %) también fueron más altas en los de memoria a corto plazo prolongada. Los modelos de redes convolucionales gráficas mostraron un desempeño superior en la detección de asociaciones entre ARN que interactúa con proteínas PIWI y el desarrollo de enfermedad, mediante bases complejas de datos. Los modelos de máquinas de vectores de soporte fueron eficaces con bases de datos más pequeñas, aunque con limitaciones de escalabilidad.
Conclusión. Los modelos de inteligencia artificial, especialmente los de memoria a corto plazo prolongada y las de redes convolucionales gráficas, mejoran significativamente la detección de ARN que interactúan con las proteínas PIWI, lo que respalda su utilización en el diagnóstico del cáncer y la medicina personalizada. Los estudios futuros deben refinar estos modelos, abordar sesgos asociados con los datos y explorar su integración en los flujos de trabajo clínicos.
Descargas
Referencias bibliográficas
Reyes Barreto JS, Girón Jurado LV, Montoya Estrada MP, Sánchez Moreno IL, Picón Moncada LT, Luna-Orozco K, et al. piRNAs and PIWI-like proteins in multiple myeloma and their future as biomarkers and therapy targets. Rev Col Hematol Oncol. 2024;11. https://doi.org/10.51643/22562915.697
Reyes Barreto JS, Cabezas Varela CS, Girón Jurado LV, Baldión Elorza AM. piRNAs and PIWI-like proteins in cancer and their future as biomarkers and therapy targets in breast cancer. Rev Col Hematol Oncol. 2024;11. https://doi.org/10.51643/22562915.701
Girard A, Sachidanandam R, Hannon GJ, Carmell MA. A germline-specific class of small RNAs binds mammalian Piwi proteins. Nature. 2006;442:199-202. https://doi.org/10.1038/nature04917
Chen C-C, Chan Y-M, Jeong H. LSTM4piRNA: Efficient piRNA detection in largescale genome databases using a deep learning-based LSTM network. Int J Mol Sci. 2023;24:15681. https://doi.org/10.3390/ijms242115681
Hou J, Wei H, Liu B. iPiDA-SWGCN: Identification of piRNA-disease associations based on Supplementarily Weighted Graph Convolutional Network. PLoS Comput Biol. 2023;19:e1011242. https://doi.org/10.1371/journal.pcbi.1011242
Yan H, Bu P. Non-coding RNA in cancer. Essays Biochem. 2021;65:625-39. https://doi.org/10.1042/EBC20200032
Reyes JS, Reyes JE, Picón LT, Rodríguez MA. Evaluating the role of piRNAs and PIWI-like proteins as biomarkers and therapeutic targets in leukemia and lymphoma: A comprehensive systematic review. Hematol Transfus Int J. 2024;12:45-51. https://doi.org/10.15406/htij.2024.12.00331
Wang J, Zhang P, Lu Y, Li Y, Zheng Y, Kan Y, et al. piRBase: A comprehensive database of piRNA sequences. Nucleic Acids Res. 2019;47:D175-80. https://doi.org/10.1093/nar/gky1043
Brennecke J, Aravin AA, Stark A, Dus M, Kellis M, Sachidanandam R, et al. Discrete small RNA-generating loci as master regulators of transposon activity in Drosophila. Cell. 2007;128:1089-103. https://doi.org/10.1016/j.cell.2007.01.043
Ross RJ, Weiner MM, Lin H. PIWI proteins and PIWI-interacting RNAs in the soma. Nature. 2014;505:353-9. https://doi.org/10.1038/nature12987
Kawaoka S, Izumi N, Katsuma S, Tomari Y. 3’ end formation of PIWI-interacting RNAs in vitro. Mol Cell. 2011;43:1015-22. https://doi.org/10.1016/j.molcel.2011.07.029
van Houdt G, Mosquera C, Nápoles G. A review on the long short-term memory model. Artif Intell Rev. 2020;53:5929-55. https://doi.org/10.1007/s10462-020-09838-1
Aravin AA, Sachidanandam R, Girard A, Fejes-Toth K, Hannon GJ. Developmentally regulated piRNA clusters implicate MILI in transposon control. Science. 2007;316:744-7. https://doi.org/10.1126/science.1142612
Czech B, Malone CD, Zhou R, Stark A, Schlingeheyde C, Dus M, et al. An endogenous small interfering RNA pathway in Drosophila. Nature. 2008;453:798-802. https://doi.org/10.1038/nature07007
Gunawardane LS, Saito K, Nishida KM, Miyoshi K, Kawamura Y, Nagami T, et al. A slicermediated mechanism for repeat-associated siRNA 5’ end formation in Drosophila. Science. 2007;315:1587-90. https://doi.org/10.1126/science.1140494
Siomi MC, Sato K, Pezic D, Aravin AA. PIWI-interacting small RNAs: The vanguard of genome defence. Nat Rev Mol Cell Biol. 2011;12:246-58. https://doi.org/10.1038/nrm3089
Kaul S, Nair V, Gcanga L, Lakshmanan V, Kalamuddin M, Anang V, et al. Identifying quantitative sncRNAs signature using global sequencing as a potential biomarker for tuberculosis diagnosis and their role in regulating host response. Int J Biol Macromol. 2024;271:132714. https://doi.org/10.1016/j.ijbiomac.2024.132714
Lau NC, Seto AG, Kim J, Kuramochi-Miyagawa S, Nakano T, Bartel DP, et al. Characterization of the piRNA complex from rat testes. Science. 2006;313:363-7. https://doi.org/10.1126/science.1130164
Moher D, Liberati A, Tetzlaff J, Altman DG, PRISMA Group. Preferred reporting items for systematic reviews and meta-analyses: the PRISMA statement. Int J Surg. 2010;8:336-41. https://doi.org/10.1016/j.ijsu.2010.02.007
Ouzzani M, Hammady H, Fedorowicz Z, Elmagarmid A. Rayyan-a web and mobile app for systematic reviews. Syst Rev. 2016;5:210. https://doi.org/10.1186/s13643-016-0384-4
Ottawa Hospital Research Institute. The Newcastle-Ottawa Scale (NOS) for assessing the quality of nonrandomised studies in meta-analyses. Accessed: November 29, 2024. Available at: http://www.ohri.ca/programs/clinical_epidemiology/oxford.asp
Chen CC, Qian X, Yoon BJ. iPiDA-GCN: piRNA-disease association prediction using graph convolutional networks. Bioinformatics. 2022;38:1245-51.
Khan S, Khan M, Iqbal N, Hussain T, Khan SA, Chou K-C. A two-level computation model based on deep learning algorithm for identification of piRNA and their functions via Chou’s 5-steps rule. Int J Pept Res Ther. 2020;26:795-809. https://doi.org/10.1007/s10989-019-09887-3
Ali SD, Alam W, Tayara H, Chong KT. Identification of functional piRNAs using a convolutional neural network. IEEE/ACM Trans Comput Biol Bioinform. 2022;19:1661-9. https://doi.org/10.1109/TCBB.2020.3034313
Wang K, Hoeksema J, Liang C. piRNN: Deep learning algorithm for piRNA prediction. PeerJ. 2018;6:e5429. https://doi.org/10.7717/peerj.5429
Li S, Kouznetsova VL, Kesari S, Tsigelny IF. PiRNA in machine-learning-based diagnostics of colorectal cancer. Molecules. 2024;29:4311. https://doi.org/10.3390/molecules29184311
Khan S, Khan M, Iqbal N, Li M, Khan DM. Spark-based parallel deep neural network model for classification of large scale RNAs into piRNAs and non-piRNAs. IEEE Access. 2020;8:136978-91. https://doi.org/10.1109/access.2020.3011508
Sun W, Guo C, Wan J, Ren H. piRNA-disease association prediction based on multi-channel graph variational autoencoder. PeerJ Comput Sci. 2024;10:e2216. https://doi.org/10.7717/peerj-cs.2216
Chen C-C, Qian X, Yoon B-J. Effective computational detection of piRNAs using n-gram models and support vector machine. BMC Bioinformatics. 2017;18 (Suppl. 14):517. https://doi.org/10.1186/s12859-017-1896-1
da Costa AH, Santos RAC dos, Cerri R. Investigating deep feedforward neural networks for classification of transposon-derived piRNAs. Complex Intell Syst. 2022;8:477-87. https://doi.org/10.1007/s40747-021-00531-6
Zheng K, Liang Y, Liu Y-Y, Yasir M, Wang P. A decision support system based on multisources information to predict piRNA-disease associations using stacked autoencoder. Soft Comput. 2022;26:11007-16. https://doi.org/10.1007/s00500-022-07396-y
Adnan A, Hongya W, Ali F, Khalid M, Alghushairy O, Alsini R. A bi-layer model for identification of piwiRNA using deep neural learning. J Biomol Struct Dyn. 2024;42:5725-33. https://doi.org/10.1080/07391102.2023.2243523
Hu X, Sun H, Shan L, Ma C, Quan H, Zhang Y, et al. Unraveling disease-associated PIWIinteracting RNAs with contrastive learning methods. J Chem Inf Model. 2025;65:4687-97. https://doi.org/10.1021/acs.jcim.5c00173
Dabi Y, Suisse S, Marie Y, Delbos L, Poilblanc M, Descamps P, et al. New class of RNA biomarker for endometriosis diagnosis: The potential of salivary piRNA expression. Eur J Obstet Gynecol Reprod Biol. 2023;291:88-95. https://doi.org/10.1016/j.ejogrb.2023.10.015
Wei H, Xu Y, Liu B. iPiDi-PUL: Identifying PIWI-interacting RNA-disease associations based on positive unlabeled learning. Brief Bioinform. 2021;22. https://doi.org/10.1093/bib/bbaa058
Tahir M, Hayat M, Khan S, Chong K. Prediction of piwi-interacting RNAs and their functions via convolutional neural network. IEEE Access. 2021;9:54233-40. https://doi.org/10.1109/access.2021.3070083
Li T, Gao M, Song R, Yin Q, Chen Y. Support vector machine classifier for accurate identification of piRNA. Appl Sci (Basel). 2018;8:2204. https://doi.org/10.3390/app8112204
Khan S, Khan M, Iqbal N, Amiruddin Abd Rahman M, Khalis Abdul Karim M. Deep-piRNA: Bi-layered prediction model for PIWI-interacting RNA using discriminative features. Comput Mater Contin. 2022;72:2243-58. https://doi.org/10.32604/cmc.2022.022901
Pian C, Chen Y-Y, Zhang J, Chen Z, Zhang G-L, Li Q, et al. V-ELMpiRNAPred: Identification of human piRNAs by the voting-based extreme learning machine (V-ELM) with a new hybrid feature. J Bioinform Comput Biol. 2017;15:1650046. https://doi.org/10.1142/S0219720016500463
Ali SD, Tayara H, Chong KT. Identification of piRNA disease associations using deep learning. Comput Struct Biotechnol J. 2022;20:1208-17. https://doi.org/10.1016/j.csbj.2022.02.026
Zhang W, Hou J, Liu B. iPiDA-LTR: Identifying PIWI-interacting RNA-disease associations based on Learning to Rank. PLoS Comput Biol. 2022;18:e1010404. https://doi.org/10.1371/journal.pcbi.1010404
Li D, Luo L, Zhang W, Liu F, Luo F. A genetic algorithm-based weighted ensemble method for predicting transposon-derived piRNAs. BMC Bioinformatics. 2016;17:329. https://doi.org/10.1186/s12859-016-1206-3
Guo C, Wang X, Ren H. Databases and computational methods for the identification of piRNA-related molecules: A survey. Comput Struct Biotechnol J. 2024;23:813-33. https://doi.org/10.1016/j.csbj.2024.01.011
Liu Y, Zhang F, Ding Y, Fei R, Li J, Wu F-X. MRDPDA: A multi-Laplacian regularized deepFM model for predicting piRNA-disease associations. J Cell Mol Med. 2024;28:e70046. https://doi.org/10.1111/jcmm.70046
Monga I, Banerjee I. Computational identification of piRNAs using features based on RNA sequence, structure, thermodynamic, and physicochemical properties. Curr Genomics. 2019;20:508-18. https://doi.org/10.2174/1389202920666191129112705
Seyeddokht A, Aslaminejad AA, Masoudi-Nejad A, Nassiri M, Zahiri J, Sadeghi B. Computational detection of piRNA in human using Support Vector Machine. Avicenna J Med Biotechnol. 2016;8:36-41.
Algunos artículos similares:
- Henry Ostos, Gilberto Astaiza, Francisco Garcia, Miller Bautista, Favio Rojas, Disminución de la incidencia de defectos de cierre del tubo neural en el Hospital Universitario de Neiva: posible efecto de la promoción del consumo de ácido fólico , Biomédica: Vol. 20 Núm. 1 (2000)
Derechos de autor 2025 Biomédica
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
| Estadísticas de artículo | |
|---|---|
| Vistas de resúmenes | |
| Vistas de PDF | |
| Descargas de PDF | |
| Vistas de HTML | |
| Otras vistas | |
