N6-metiladenosina (mA) desempeña un papel regulador crucial en el control de las funciones celulares y la expresión génica. Los avances recientes en las técnicas de secuenciación para el mapeo de mA a nivel del transcriptoma han acelerado la acumulación de información sobre sitios de mA a nivel de un solo nucleótido, proporcionando más datos de entrenamiento de alta confianza para desarrollar enfoques computacionales para la predicción de sitios de mA. Sin embargo, sigue siendo un gran desafío predecir con precisión los sitios de mA utilizando enfoques in silico. Para avanzar en el apoyo computacional para la identificación de sitios de mA, aquí, hemos recopilado 13 conjuntos de datos de referencia actualizados de nueve especies diferentes. Esto ayudará a la comunidad investigadora a realizar una evaluación imparcial de enfoques alternativos y apoyará la investigación futura sobre la modificación de mA. Revisamos 52 enfoques computacionales publicados desde 2015 para la identificación de sitios de mA, incluidos 30 basados en aprendizaje automático tradicional, 14 basados en aprendizaje profundo y 8 basados en aprendizaje en conjunto. Revisamos de manera integral estos enfoques computacionales en términos de sus conjuntos de datos de entrenamiento, características calculadas, metodologías computacionales, estrategia de evaluación del rendimiento y usabilidad de servidores web/software. Usando estos conjuntos de datos de referencia, evaluamos nueve predictores con sitios web disponibles en línea o software independiente y evaluamos su rendimiento de predicción. Encontramos que los enfoques de aprendizaje profundo y los enfoques de aprendizaje automático tradicional generalmente superaron a los enfoques basados en funciones de puntuación. En resumen, el repositorio de conjuntos de datos de referencia curados y la evaluación sistemática en este estudio sirven para informar el diseño e implementación de enfoques computacionales de vanguardia para la identificación de mA y facilitar comparaciones más rigurosas de nuevos métodos en el futuro.