El análisis metabolómico basado en la espectrometría de masas (EM) es una herramienta poderosa, pero conlleva sus propios retos. El flujo de trabajo de la EM implica múltiples pasos antes de su interpretación, el cual típicamente se denomina minería de datos. La extracción de datos consiste en un proceso de dos pasos. Primero, los datos de la EM se ordenan, organizan y presentan para su filtrado antes de ser analizados. Segundo, los datos filtrados y reducidos se analizan utilizando técnicas estadísticas para eliminar más variabilidad. Esto es especialmente cierto en el caso de los estudios metabolómicos no dirigidos (untargeted) basados en EM, que se centran en comprender los cambios en las redes metabólicas. Dado que la tarea de filtrar e identificar cambios a partir de un gran conjunto de datos es un reto, se necesitan técnicas automatizadas para la minería de datos met...

La adaptación de las tecnologías digitales y la aplicación de Internet en las organizaciones, personas y dispositivos, generan una cantidad extraordinaria de datos en diversas áreas de la ciencia como por ejemplo: minería de datos, big data, clasificación de patrones, reconocimiento de imágenes, inteligencia de negocios, bioinformática, detección de outliers e IoT. En consecuencia estos datos requieren ser analizados, procesados y almacenados. El proceso de análisis generalmente trae dificultades computacionales como el tiempo de ejecución y la calidad de los resultados. Clustering es una de las técnicas de clasificación mas utilizadas para analizar grandes y pequeños volúmenes de datos. En la literatura se puede hallar algoritmos como por ejemplo: Social Spider Optimization (SSO), K-means, Artificial Bee Colony (ABC), Particle Swarm Optimization (PSO), Genetic Algorithms ...