Introducción: La expresión génica es un proceso importante que conecta la información codificada en un gen con su producto funcional final. Por lo tanto, evaluar la expresión génica es vital para el desarrollo de tratamientos y el seguimiento de enfermedades, ya que estas pueden tener consecuencias imprevistas. Objetivos: Diversos estudios han incorporado el concepto de aprendizaje profundo (ADP) con conjuntos de datos genéticos para la predicción de enfermedades. Sin embargo, los métodos de ADP predominantes se consideran extremadamente ineficaces en términos de precisión y otros aspectos de la predicción de enfermedades. Por lo tanto, se aplica el ADP con transformadores para la predicción de enfermedades con conjuntos de datos genéticos. Dado que los transformadores son mecanismos de autoatención, esto permite el uso de información contextual para cualquier ubicación en la secuencia de entrada y ayuda a capturar dependencias de largo alcance, lo que contribuye a obtener una mayor precisión y un modelo eficaz para la predicción de enfermedades. Métodos: Este artículo se centra en las aplicaciones de la expresión génica con diferentes algoritmos de ADP junto con transformadores para la predicción de enfermedades. Algunas de las aplicaciones de los transformadores con conjuntos de datos de expresión génica incluyen la predicción de cánceres como el de pulmón y el de estómago, y el descubrimiento de fármacos, temas centrales de este artículo. Resultados: Se realiza un análisis crucial considerando aspectos como la arquitectura, el conjunto de datos y el proceso. Este análisis ayuda a identificar los aspectos de los algoritmos de aprendizaje automático con y sin transformadores. Finalmente, se identifican lagunas mediante el análisis de investigadores en transición, las cuales podrían considerarse como recomendaciones futuras para superarlas y generar trabajos prometedores en esta área. Conclusión: A pesar de sus numerosas ventajas, los estudios sobre predicción de enfermedades son limitados. En el presente estudio se analizan diferentes aplicaciones, como la predicción del cáncer y el descubrimiento de fármacos. Se ha observado que la incorporación de transformadores en los algoritmos de aprendizaje automático se ha implementado con mayor frecuencia a partir de 2021; sin embargo, existen algunas complicaciones que deben superarse para la predicción de enfermedades. El aprendizaje automático que utiliza transformadores junto con conjuntos de datos genéticos será útil en la predicción de enfermedades. Este estudio ayudará a los investigadores en sus innovaciones en esta área para mejorar la eficacia y la eficiencia en la predicción de enfermedades.