1018 artículos
La bioinformática es el puente vital entre la biología y los datos, transformando secuencias genéticas complejas en conocimiento comprensible que impulsa la medicina moderna y la investigación. En Gist.Science, hacemos que estos avances sean accesibles para todos, eliminando las barreras del lenguaje técnico para que cualquier persona pueda seguir el ritmo de los descubrimientos más recientes.
Cada nuevo preimpreso en esta categoría proviene directamente de bioRxiv, la plataforma líder donde los científicos comparten sus hallazgos antes de la publicación formal. Nuestro equipo procesa cada uno de estos documentos para ofrecer tanto resúmenes técnicos detallados como explicaciones en lenguaje sencillo, garantizando que la información fluya sin complicaciones. A continuación, encontrará los últimos artículos publicados en bioinformática seleccionados para su lectura.
Este artículo presenta scDblFinderPy, una implementación en Python de la herramienta de detección de dobletes scDblFinder basada en R que replica su alto rendimiento al añadir soporte opcional para GPU para acelerar el procesamiento de datos de secuenciación de célula única a gran escala.
SPARKLE es un método computacional rápido y sin referencia que corrige la fuga local de ARN en la transcriptómica espacial de alta resolución aprovechando la evidencia dentro de la muestra fuera de la máscara para estimar y eliminar señales ectópicas, mejorando así la localización de los tipos celulares y la fiabilidad del análisis descendente.
Este estudio introduce un novedoso conjunto de redes convolucionales de grafos relacionales (RGCN) de fusión tardía que integra datos de ARN endógeno competidor (ceRNA) y de variación en el número de copias (CNV) para identificar cinco biomarcadores pronósticos, incluyendo hsa-miR-196a y hsa-miR-224, para mejorar la predicción de la supervivencia y el direccionamiento terapéutico en el glioblastoma.
GlycoMeSH es un recurso exhaustivo que cierra la brecha entre las estructuras de los glicanos y el contexto biomédico al vincularlos con los encabezados de temas médicos (MeSH) a través de un modelo de inferencia y una base de datos trazable, permitiendo así un análisis de enriquecimiento sistemático en todos los conjuntos de datos de la glicociencia.
PandaDock es una plataforma de acoplamiento molecular de código abierto que integra la búsqueda conformacional de ligandos flexibles con gradientes analíticos, módulos especializados para escenarios de unión complejos y una función de puntuación de red neuronal equivariante a SE(3) escalable para lograr un rendimiento competitivo en la recuperación de poses y la predicción de afinidad a través de diversos objetivos de proteína-ligando.
El artículo presenta Mantpy, un marco de proteómica espacial que representa la matriz extracelular y su interfaz con las células como grafos espaciales para permitir el análisis conjunto, la visualización y el aprendizaje automático más allá de los enfoques tradicionales centrados en las células.
PerturbLDM es un marco de difusión latente condicional preentrenado en el conjunto de datos Tahoe-100M que supera a los métodos existentes en la predicción y generación precisa de respuestas transcripcionales de célula única ante combinaciones no vistas de fármaco, dosis y línea celular a través de diversos contextos biológicos.
Este artículo demuestra que la aplicación de la predicción conforme al reloj epigenético BayesAge permite la generación de intervalos de predicción calibrados y libres de distribución para la estimación de la edad basada en la metilación del ADN utilizando un conjunto mínimo de sitios CpG, abordando así la falta de cuantificación de la incertidumbre en los modelos existentes de estimación puntual.
Este artículo demuestra que la detección de sitios de unión crípticos está limitada actualmente no por la capacidad de proponer candidatos, sino por un ranking deficiente y la falta de consenso, revelando que separar las métricas de cobertura de las de conversión descubre brechas de rendimiento significativas y muestra que combinar detectores basados en geometría y en modelos de lenguaje dentro de un presupuesto estricto de candidatos produce las mejoras más prácticas.
Los autores presentan ProtInt, un marco de aprendizaje profundo que integra con éxito datos proteómicos de líneas celulares de cáncer y tumores de pacientes al superar los desafíos de los valores faltantes, superando así los métodos existentes y revelando cambios biológicos clave necesarios para alinear mejor los modelos preclínicos con la realidad clínica.