Lomas Redondo, AlbaSánchez Velázquez, Jose M.García Tejedor, Álvaro J.Sánchez–Arévalo Lobo, Víctor Javier2025-12-192025-12-192025-01Lomas Redondo, A, Sánchez Velázquez, J M, García Tejedor, Á J & Sánchez–Arévalo Lobo, V J 2025, 'Deep learning based deconvolution methods : A systematic review', Computational and Structural Biotechnology Journal, vol. 27, pp. 2544-2565. https://doi.org/10.1016/j.csbj.2025.05.0382001-0370PubMedCentral: PMC12205315https://hdl.handle.net/10641/6822Publisher Copyright: © 2025 The Author(s)En esta revisión sistemática examinamos el papel de la Inteligencia Artificial (AI) y el Aprendizaje Profundo (DL) en el desarrollo de herramientas de deconvolución celular, con especial atención a su aplicación al análisis de datos transcriptómicos procedentes de la secuenciación de ARN. Destacamos la importancia crítica de contar con perfiles de referencia de alta calidad para mejorar la precisión de los métodos de deconvolución analizados, lo cual resulta esencial para determinar las composiciones celulares en muestras biológicas complejas. Para garantizar la solidez de nuestro trabajo, hemos aplicado un riguroso proceso de selección siguiendo las directrices Preferred Reporting Items for Systematic Reviews and Meta-Analysis (PRISMA). A través del proceso de revisión, hemos identificado varias carencias clave en la investigación, poniendo de relieve la necesidad de metodologías estandarizadas y de mejorar la interpretabilidad de los modelos. En conjunto, presentamos una visión general exhaustiva y actualizada de las diferentes metodologías, conjuntos de datos y hallazgos asociados a las herramientas de deconvolución basadas en DL, allanando el camino para futuras investigaciones y subrayando el valor de la colaboración entre las ciencias computacionales y biológicas. [Traducción automática al español; idioma original: inglés.]Within this systematic review we examine the role of Artificial Intelligence (AI) and Deep Learning (DL) in the development of cellular deconvolution tools, with an special focus on their application to the analysis of transcriptomics data from RNA sequencing. We emphasize the critical importance of high–quality reference profiles for enhancing the accuracy of the discussed deconvolution methods, which is essential to determine cellular compositions in complex biological samples. To ensure the robustness of our work, we have applied a rigorous selection process following the Preferred Reporting Items for Systematic Reviews and Meta–Analysis (PRISMA) guidelines. Through the review process, we have identified several key research gaps, highlighting the necessity for standardized methodologies and the improvement of the interpretability of the models. Overall, we present a comprehensive, up to date overview of the different methodologies, datasets, and findings associated with DL–driven deconvolution tools, paving the way for future research and emphasizing the value of collaboration between computational and biological sciences.222977937enghttp://creativecommons.org/licenses/by-nc-nd/4.0/Artificial intelligenceCellular deconvolutionComputational biologyDeep learningNeural networkRNA–seqTranscriptomics datascRNA–seqBiotechnologyBiophysicsStructural BiologyBiochemistryGeneticsComputer Science ApplicationsJournal ArticleReviewYesyesreview articleopen access10.1016/j.csbj.2025.05.038https://www.scopus.com/pages/publications/105007801393https://www.scopus.com/pages/publications/105007801393#tab=citedBy