Un problema común en el análisis de datos ómicos son los valores faltantes, que pueden surgir por diversas razones, como la mala calidad del tejido y volúmenes de muestra insuficientes. En lugar de descartar los valores faltantes y los datos relacionados, los enfoques de imputación ofrecen un medio alternativo para manejar los datos faltantes. Sin embargo, la imputación de datos ómicos faltantes es una tarea no trivial. Las dificultades provienen principalmente de la alta dimensionalidad, las relaciones no lineales o no monótonas dentro de las características, las variaciones técnicas introducidas por los métodos de muestreo, la heterogeneidad de las muestras y el mecanismo de falta no aleatoria. Se han propuesto varios métodos de imputación avanzados, incluidos los métodos basados en aprendizaje profundo, para abordar estos desafíos. Debido a su capacidad para modelar patrones y relaciones complejas en conjuntos de datos grandes y de alta dimensión, muchos investigadores han adoptado modelos de aprendizaje profundo para imputar datos ómicos faltantes. Esta revisión proporciona una visión general completa de los métodos actualmente disponibles basados en aprendizaje profundo para la imputación ómica desde la perspectiva de arquitecturas de modelos generativos profundos como autoencoders, autoencoders variacionales, redes generativas adversariales y Transformers, con énfasis en la imputación de datos multi-ómicos. Además, esta revisión también discute las oportunidades que el aprendizaje profundo ofrece y los desafíos que podría enfrentar en este campo.