Foro de debate módulo 2

Exigir depositar los datos -ómicos en repositorios públicos antes de publicar es importante por las siguientes razones:
1. Fomenta la transparencia y reproducibilidad de la investigación.
2. Permite la reutilización de los datos para nuevos análisis y descubrimientos.
3. Evita la duplicación de esfuerzos y recursos en la obtención de los mismos datos.

En proyectos financiados con fondos públicos, debería ser una exigencia para maximizar el retorno de la inversión y promover el avance científico.

Un sistema para compartir datos clínicos tendría las siguientes ventajas e inconvenientes:

- Ventajas:
* Facilita la investigación y desarrollo de nuevos tratamientos y terapias.
* Permite estudios amplios y diversificados en diferentes poblaciones.
* Impulsa la colaboración y el intercambio de conocimientos entre centros.

- Inconvenientes:
* Preocupaciones sobre la privacidad y protección de datos sensibles de pacientes.
* Necesidad de establecer estrictos controles y regulaciones para el manejo de los datos.
* Posibles sesgos en los datos si no se comparten de forma equitativa.

--------------------------------------------------------------------------------------------------------

Mandating the deposition of -omics data in public repositories prior to publication is crucial for the following reasons:
1. It promotes the transparency and reproducibility of research.
2. It enables the reuse of data for new analyses and discoveries.
3. It prevents the duplication of efforts and resources in acquiring the same data.

In publicly funded projects, it should be mandatory to maximize the return on investment and to promote scientific advancement.

A system for sharing clinical data would have the following advantages and disadvantages:
- Advantages:
* Facilitates the research and development of new treatments and therapies.
* Enables extensive and diversified studies across different populations.
* Promotes collaboration and knowledge exchange among centers.
- Disadvantages:
* Concerns regarding privacy and the protection of sensitive patient data.
* The necessity to establish strict controls and regulations for data management.
* Potential biases in the data if not shared equitably.

Suscribo lo que comenta el compañero y añadiría la formación y entrenamiento: Los conjuntos de datos públicos son una valiosa fuente de recursos para la formación de nuevos investigadores y el desarrollo de nuevas metodologías analíticas.

Con respecto a los proyectos financiados con fondos públicos: Los contribuyentes han financiado la investigación, por lo que los datos deberían ser de acceso público para maximizar su beneficio, además fomenta la transparencia y la rendición de cuentas en el uso de los fondos.

Saludos.

--------------------
I subscribe to what the colleague comments and would add training and education: Public datasets are a valuable resource for training new researchers and developing new analytical methodologies.

Regarding publicly funded projects: taxpayers have funded the research, so the data should be publicly available to maximize its benefit, it also encourages transparency and accountability in the use of funds.

Regards

Hola
En relación con esta temática, supongo que algunos habréis visto la noticia de la nueva versión de AlphaFold 3, que es capaz de predecir estructuras de todo tipo de biomoléculas, (proteínas, ADN, ARN)
https://blog.google/technology/ai/google-deepmind-isomorphic-alphafold-3-ai-model/

Ya la primera versión, que resolvía estructuras de proteínas, supuso un gran impacto en la comunidad científica, solucionando un problema que parecía complejo de poder resolver como es el predecir estructura a partir de secuencia con gran precisión.
Esto fue posible, no sólo gracias al desarrollo de los nuevos métodos de deep learning, si no también a la acumulación de datos durante mucho años por parte de investigadores que pusieron disponibles en bases de datos de acceso público.
--------
Hello
I guess some of you have seen the news about the new version of AlphaFold 3, which is able to predict structures of all kinds of biomolecules, (proteins, DNA, RNA).
https://blog.google/technology/ai/google-deepmind-isomorphic-alphafold-3-ai-model/

Already the first version, which solved protein structures, had a great impact on the scientific community, solving a problem that seemed complex to solve, such as predicting structure from sequence with high accuracy.
This was possible, not only thanks to the development of new deep learning methods, but also to the accumulation of information over many years by researchers in publicly available databases.