AbiertaUGR
Global searching is not enabled.

MOOC Machine Learning y Big Data para la Bioinformática. 5ª Edición

  1. Home
  2. Courses
  3. MOOC´S ABIERTAUGR
  4. ml_bioinformatica_5ed
  5. MODULE 1: What is bioinformatics?
  6. Module 1 discussion forum
  7. Bioinformática: Un Desafío Interdisciplinar en Constante Evolución / Bioinformatics: A Constantly Evolving Interdisciplinary Challenge
Skip to main content
Forum

Module 1 discussion forum

Bioinformática: Un Desafío Interdisciplinar en Constante Evolución / Bioinformatics: A Constantly Evolving Interdisciplinary Challenge

Bioinformática: Un Desafío Interdisciplinar en Constante Evolución / Bioinformatics: A Constantly Evolving Interdisciplinary Challenge

by Coral del Val Muñoz - Number of replies: 4

La Bioinformática: Un Campo en Evolución y un Desafío Multidisciplinar

A lo largo de este curso, estamos viendo cómo personas con perfiles muy diversos se suman al estudio de la bioinformática: periodistas, farmacéuticos, microbiólogos, matemáticos, ingenieros… Y esto no es una casualidad. La bioinformática ha evolucionado hasta convertirse en una disciplina que exige una formación interdisciplinar y en constante actualización.

¿Qué significa ser un profesional en bioinformática hoy en día?
En sus inicios, el campo se centraba principalmente en genética y genómica, con profesionales provenientes de la biología o la informática. Pero hoy, la bioinformática se ha expandido a ámbitos como la epidemiología, la medicina personalizada, la farmacogenómica o la biología medioambiental. Ahora no solo se requieren conocimientos en análisis de datos y desarrollo de software, sino también en áreas tan diversas como imagen médica, bioinformática agrícola o genómica microbiana.

El papel clave de la IA y el Machine Learning
Con la integración de la inteligencia artificial (IA) y el aprendizaje automático (ML) en la bioinformática, los desafíos han crecido exponencialmente. Analizar grandes volúmenes de datos, desarrollar modelos predictivos y mejorar la medicina personalizada requieren no solo competencias computacionales avanzadas, sino también una comprensión profunda de los principios éticos y de seguridad, como los criterios FAIRNeSS (Findability, Accessibility, Interoperability, Reusability, Non-bias, Safety y Security).

¿Cómo podemos garantizar que la IA en bioinformática sea transparente y justa?
A medida que la IA asume roles más autónomos, como en el descubrimiento de fármacos o la predicción de enfermedades, necesitamos modelos explicables y equitativos. La opacidad de los algoritmos puede generar problemas de confianza y, en algunos casos, decisiones sesgadas. ¿Cómo creéis que se puede abordar este desafío?

Os invitamos a reflexionar y debatir

  • ¿Qué habilidades creéis que serán más demandadas en bioinformática en los próximos años?
  • ¿Cómo puede un profesional mantenerse actualizado en un campo tan dinámico?
  • ¿Pensáis que los sistemas de IA están preparados para tomar decisiones críticas en salud sin intervención humana?

¡Esperamos vuestras opiniones en el foro!

--------

Bioinformatics: An Evolving Field and a Multidisciplinary Challenge

Throughout this course, we have seen people from very diverse backgrounds joining the study of bioinformatics: journalists, pharmacists, microbiologists, mathematicians, engineers… And this is no coincidence. Bioinformatics has evolved into a discipline that demands interdisciplinary training and continuous learning.

What does it mean to be a bioinformatics professional today?
In its early days, the field focused mainly on genetics and genomics, with professionals coming from either biology or computer science. But today, bioinformatics has expanded into areas such as epidemiology, personalized medicine, pharmacogenomics, and environmental biology. Now, it’s not only about data analysis and software development, but also about understanding medical imaging, agricultural bioinformatics, and microbial genomics, among other specialized fields.

The Key Role of AI and Machine Learning
With the integration of artificial intelligence (AI) and machine learning (ML) in bioinformatics, the challenges have grown exponentially. Processing vast amounts of biological data, developing predictive models, and advancing personalized medicine now require not only strong computational skills, but also a deep understanding of ethical and security principles, such as the FAIRNeSS criteria (Findability, Accessibility, Interoperability, Reusability, Non-bias, Safety, and Security).

How can we ensure that AI in bioinformatics is transparent and fair?
As AI takes on more autonomous roles—such as in drug discovery and disease prediction—we need models that are explainable and equitable. The opacity of some algorithms can create trust issues and, in some cases, biased decision-making. How do you think we can address this challenge?

We invite you to reflect and discuss:

  • What skills do you think will be most in demand in bioinformatics in the coming years?
  • How can professionals stay up to date in such a fast-evolving field?
  • Do you think AI systems are ready to make critical healthcare decisions without human intervention?

Bioinformatics is exciting because it never stops evolving—and neither do we. We look forward to hearing your thoughts in the forum!



In reply to Coral del Val Muñoz

Re: Bioinformática: Un Desafío Interdisciplinar en Constante Evolución / Bioinformatics: A Constantly Evolving Interdisciplinary Challenge

by María Isabel Aranda Olmedo -
¿Qué habilidades creéis que serán más demandadas en bioinformática en los próximos años?
A corto plazo pienso que las habilidades que se demandarán no diferirán mucho de las que se están requiriendo actualmente (conocimiento de lenguajes de programación, bases de datos, herramientas de recuperación y tratamiento de estos datos, estadística y visión holística de la ciencia). Pero la computación cuántica unida al desarrollo creciente de la IA va a ser una revolución que dará un vuelco a todo. Se requerirán perfiles profesionales especializados y nuevas directrices internacionales.

¿Cómo puede un profesional mantenerse actualizado en un campo tan dinámico?
La formación debe ser continua y sobre todo práctica. Favorecida en el entorno profesional.

¿Pensáis que los sistemas de IA están preparados para tomar decisiones críticas en salud sin intervención humana?
Es difícil pensar en un 100% de autonomía de la IA en este asunto. Por una parte, se requiere un gran esfuerzo en el entrenamiento de modelos. Por otra, se hace imprescindible el control de los datos que vayan a servir para el entrenamiento de la IA (datos validados, curados). Nuevos retos precisarán nuevos entrenamientos. En cualquier caso, espero que nunca deje de verse necesaria la intervención humana y que sea valorado el tema de la regulación ética y de la libertad del individuo.
In reply to Coral del Val Muñoz

Re: Bioinformática: Un Desafío Interdisciplinar en Constante Evolución / Bioinformatics: A Constantly Evolving Interdisciplinary Challenge

by Miquel Romero Obón -
Creo que las habilidades más demandadas próximamente no serán las relativas al coding, sino las propias de la visión holística y capacidades en innovación.
Conociendo cómo se ha visto incrementado el coste e impacto medioambiental del entrenamiento de grandes modelos, intuyo que podemos llegar a un plateau en el progreso cuya duración dependerá de la celeridad en encontrar soluciones a ello. Sin duda esto puede repercutir en los nuevos profesionales, así como en la forma en que puedan usarse las herramientas basadas en IA.
Los sistemas inteligentes no han alcanzado el nivel de IA generalistas requerido para la toma de decisión. Cuando lleguemos a ello, es preciso plantear cómo vamos a poder validarlo, por lo que soy partidario del soporte de la IA para mejorar la eficiencia humana, pero no para sustituir al tomador de decisión.
In reply to Miquel Romero Obón

Re: Bioinformática: Un Desafío Interdisciplinar en Constante Evolución / Bioinformatics: A Constantly Evolving Interdisciplinary Challenge

by Coral del Val Muñoz -
Hola Miguel, ¡Gracias por tu reflexión!
A continuación, te comparto unos comentario sobre tu post.

1. Habilidades y visión holística
Señalas que las habilidades más demandadas podrían no ser únicamente de “coding”, sino relacionadas con tener una visión global y una capacidad de innovación. Esto está muy alineado con la tendencia de la bioinformática a integrar múltiples disciplinas: estadística, biología, computación y hasta gestión de proyectos.
Datos que lo respaldan: Varias instituciones formativas y centros de investigación, como el European Bioinformatics Institute (EMBL-EBI), proponen planes de estudio que combinan ciencia de datos, biología y pensamiento crítico. En el mercado laboral, se valora cada vez más la interdisciplinariedad y la capacidad de comunicar hallazgos complejos a equipos con backgrounds muy diversos.

2. Coste e impacto medioambiental de los grandes modelos
El entrenamiento de modelos de IA de gran tamaño (p. ej., foundation models) tiene un coste energético significativo. Estudios recientes han estimado que el entrenamiento de modelos de gran escala en NLP (Procesamiento de Lenguaje Natural) puede generar huellas de carbono comparables a las de varios automóviles a lo largo de su vida útil .
Matiz: Si bien es cierto que existe una preocupación por alcanzar un “plateau” (estancamiento) si no mejoran la eficiencia y la infraestructura de cómputo, se están desarrollando técnicas de optimización y hardware especializado (como TPUs y GPUs de última generación) para reducir la huella de carbono. Además, la investigación en modelos más ligeros y técnicas de compresión (quantization, pruning) está avanzando rápidamente para paliar los costos computacionales.

3. Inteligencia Artificial generalista y toma de decisiones

Hoy en día, no contamos con sistemas de IA general capaces de razonar y tomar decisiones de forma equiparable a un ser humano en contextos amplios. La IA actual es fuerte en tareas específicas, pero la llamada Artificial General Intelligence (AGI) sigue siendo una meta de investigación.
Grandes laboratorios (DeepMind, OpenAI, etc.) han logrado progresos en el aprendizaje por refuerzo y en el razonamiento en entornos cada vez más complejos, pero no se ha logrado un sistema que comprenda y actúe en cualquier dominio con la misma flexibilidad humana [(Lake et al., 2017)](https://doi.org/10.1016/j.c cognition.2016.06.007).
Organismos reguladores (como la FDA en EE. UU.) están desarrollando guías para la validación de algoritmos en medicina, pero los algoritmos siguen siendo herramientas de soporte y no sustitutos de la decisión clínica.

4. IA como apoyo a la toma de decisiones, no como sustituto

Tu planteamiento de utilizar la IA para “mejorar la eficiencia humana” en lugar de sustituir al profesional es muy sensato y está en la línea de lo que se llama “Human-in-the-loop”. Varios estudios en telemedicina y análisis de imágenes médicas muestran que la combinación de un sistema de IA con la experiencia clínica humana obtiene mejores resultados que la IA o el humano por separado.
Además de medicina, se espera que otras áreas de la bioinformática —como el cribado virtual de fármacos o la ingeniería de proteínas— continúen combinando algoritmos de IA con la supervisión de expertos para mejorar eficiencia y precisión.

Coincido con tu valoración: la interdisciplinariedad y la colaboración humano-máquina serán claves para afrontar el futuro de manera responsable y eficiente.
------------

Thank you for your reflection!
Below, I’m sharing some comments on your post:

  1. Skills and Holistic Vision
    You note that the most in-demand skills may not only be related to “coding” but also to having a global vision and the capacity for innovation. This is very much in line with the trend in bioinformatics to integrate multiple disciplines: statistics, biology, computing, and even project management.
    Data that supports this: Several training institutions and research centers, such as the European Bioinformatics Institute (EMBL-EBI), offer curricula that combine data science, biology, and critical thinking. In the job market, interdisciplinarity and the ability to communicate complex findings to teams with very diverse backgrounds are increasingly valued.

  2. Cost and Environmental Impact of Large Models
    Training large AI models (e.g., foundation models) has a significant energy cost. Recent studies have estimated that training large-scale NLP (Natural Language Processing) models can produce carbon footprints comparable to several cars over their entire lifespan.
    Note: While there is indeed concern about reaching a “plateau” (stagnation) if efficiency and computing infrastructure do not improve, optimization techniques and specialized hardware (such as TPUs and next-generation GPUs) are being developed to reduce the carbon footprint. Moreover, research on lighter models and compression techniques (quantization, pruning) is advancing rapidly to mitigate computational costs.

  3. General-Purpose Artificial Intelligence and Decision-Making
    Currently, we do not have general AI systems capable of reasoning and making decisions comparable to a human being in broad contexts. Today’s AI is strong in specific tasks, but so-called Artificial General Intelligence (AGI) remains an ongoing research goal.
    Large labs (DeepMind, OpenAI, etc.) have made progress in reinforcement learning and reasoning in increasingly complex environments, but they have not yet achieved a system that understands and acts in any domain with the same human-level flexibility (Lake et al., 2017).
    Regulatory bodies (such as the FDA in the U.S.) are developing guidelines for algorithm validation in medicine, but algorithms are still considered support tools rather than replacements for clinical decision-making.

  4. AI as Decision-Support, Not as a Substitute
    Your idea of using AI to “enhance human efficiency” rather than replace professionals is very sensible and aligns with what is called “Human-in-the-loop.” Several studies in telemedicine and medical image analysis show that combining an AI system with human clinical expertise yields better results than either AI or humans alone.
    Beyond medicine, other areas of bioinformatics—such as virtual drug screening or protein engineering—are also expected to continue combining AI algorithms with expert supervision to improve efficiency and accuracy.

I agree with your assessment: interdisciplinarity and human-machine collaboration will be key to meeting the future in a responsible and efficient way.


In reply to Coral del Val Muñoz

Re: Bioinformática: Un Desafío Interdisciplinar en Constante Evolución / Bioinformatics: A Constantly Evolving Interdisciplinary Challenge

by Juliana Almendrales -
Buenas tardes. La verdad que son plantemientos sumamente interesantes y son incógnitas que a pesar de que se puedan responder, no hay una respuesta correcta ni del todo precisa, pero me arriesgo a dar mi opinión al respecto.

Sobre las habilidades que serán más demandadas en los próximos años, como también han mencionado los compañeros, es necesaria una visión integral y que de por sí ya forma parte de la bioinformática por su forma multidisciplinar, pero a medida que vaya avanzando el campo de la tecnología y que con ella se pueda acceder más en profundidad a áreas de la biología, pues será necesario estar en un constante aprendizaje y renovación de información por parte de los profesionales e ir integrando estos nuevos conocimientos para la mejora de todas las áreas que puede englobar la bioinformática. Esto va ligado a la segunda pregunta: ¿Cómo puede un profesional mantenerse actualizado en un campo tan dinámico? Y es cierto que mantenerse al día con tantos recursos a disposición hoy día puede ser a veces abrumador (anteriormente el problema era porque no había suficientes datos y ahora porque hay muchos), pero es parte del oficio hacer cierta investigación relativamente de manera constante y también el centro de trabajo suele impulsar estos espacios de formación y de actualización.

Y sobre las decisiones de la IA sin intervención humana, no me parece que sea apropiado; a día de hoy hay muchos dilemas éticos que cuestionan el juicio de las IA y el hecho de que se les otorgue poder de decisión, tanto en el ámbito jurídico, de la medicina, en la política, etc. Hay varias cuestiones a favor, también en contra, y lo que más se critica, generalizando un poco, es la falta del factor humano, del sentido de moralidad que no comprende la IA. Por ahora, no creo que estemos preparados todavía como sociedad para aceptar de forma unívoca que sea una IA la que establezca juicios que influyan en la vida de una persona (aunque ya se hayan implantado sistemas judiciales en los que interviene la IA en decisiones y sentencias)

Good afternoon. Honestly, these are extremely interesting topics, and even though some questions can be answered, there isn’t always a completely precise or correct answer. Still, I’ll take the risk and share my opinion on the matter.

Regarding the skills that will be most in demand in the coming years, as the other classmates have also mentioned, a holistic vision is necessary—one that already forms part of bioinformatics due to its multidisciplinary nature. However, as technology advances and allows deeper exploration into biological fields, professionals will need to engage in continuous learning and updating of knowledge, integrating these new insights to improve all areas that bioinformatics encompasses.

This ties into the second question: How can a professional stay updated in such a dynamic field? It’s true that keeping up-to-date with so many resources available today can sometimes feel overwhelming (previously, the problem was the lack of data, and now it’s the opposite—there’s too much). But part of the job involves conducting consistent research, and workplaces often encourage training and professional development opportunities.

As for AI making decisions without human intervention, I don’t believe it’s appropriate—at least not yet. Today, there are many ethical dilemmas questioning AI’s judgment and the idea of granting it decision-making power, whether in law, medicine, politics, etc. There are arguments both for and against it, but the most common criticism (to generalize a bit) is the lack of human factor and moral reasoning, which AI does not truly comprehend. For now, I don’t think society is ready to unanimously accept AI making judgments that impact a person’s life—even though AI-based systems have already been implemented in judicial decisions, sentencing, and probably other fields.
1.1. Bioinformatics: what, why and how? ►

Centro de Producción de Recursos para la Universidad Digital

abierta UGR
AbiertaUGR

Copyright © Universidad de Granada