1235 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.
El estudio presenta FM-GPT, un nuevo método bayesiano de mapeo fino que mejora la identificación de genes causales en estudios de asociación transcripcional a escala fenómica al manejar múltiples rasgos correlacionados y tipos de datos mixtos, logrando reducir significativamente el conjunto de genes candidatos y revelar mecanismos biológicos compartidos y compensaciones funcionales en datos del UK Biobank.
Este estudio presenta un conjunto de datos unificado de transcriptómica espacial de alta resolución generado con la plataforma Stereo-seq que abarca diez órganos de ratón con imágenes histológicas y anotaciones celulares validadas, ofreciendo un recurso estandarizado para el desarrollo y la evaluación de métodos de análisis multimodal.
El estudio presenta scMultiPreDICT, un marco computacional en R que utiliza datos de multiómica de células individuales para demostrar que, aunque las características transcripcionales suelen ser más predictivas que las epigenéticas, la integración multimodal mejora la predicción de la expresión génica de manera específica según el gen y el contexto celular.
Este trabajo presenta LYM-1, el primer modelo a gran escala y multicultivo que utiliza más de 4,7 millones de observaciones para predecir el rendimiento de cultivos en las praderas canadienses, permitiendo optimizar la producción agrícola y el diseño de cultivos frente al cambio climático.
Este estudio valida que el perfilado metabolómico no dirigido de muestras de sangre seca permite la identificación individual de 1.257 participantes con una precisión del 94% a nivel de usuario, demostrando la viabilidad de esta tecnología para la creación de gemelos digitales en entornos de recolección domiciliaria.
Este estudio evalúa el rendimiento de seis llamadores de variantes somáticas en un entorno clínico utilizando datos de secuenciación de amplicones de cobertura alta y tumores sin muestra de referencia, encontrando que FreeBayes, VarScan, MuTect2 y Pisces ofrecen el mejor desempeño en la detección de variantes conocidas.
Este estudio presenta nuevos parámetros de vecinos más cercanos para la estimación de la estabilidad del plegamiento del ARN que incluyen la modificación 1-metil-pseudouridina, derivados de experimentos de fusión óptica y disponibles en el software RNAstructure, los cuales demuestran que esta modificación estabiliza el ARN y mejoran significativamente la predicción de estructuras secundarias en secuencias naturales y terapéuticas.
El artículo presenta IDiom, un modelo de lenguaje autoregresivo entrenado con millones de secuencias de regiones intrínsecamente desordenadas que permite generar nuevas secuencias biológicamente relevantes condicionadas al contexto estructural o de forma independiente, superando las limitaciones de los métodos de diseño anteriores para estas proteínas.
Este trabajo propone un modelo de aprendizaje profundo basado en grafos con un bloque de atención de conectividad que, al procesar la conectividad cerebral estructural, logra predecir con mayor precisión la edad y el estado cognitivo que los algoritmos existentes, utilizando datos de las cohortes PREVENT-AD y OASIS3.
El artículo presenta SimpleFold-Turbo, una técnica de inferencia adaptativa que acelera la predicción de estructuras de proteínas entre 9 y 14 veces al eliminar el 93 % de las evaluaciones redundantes sin comprometer la calidad, sin requerir reentrenamiento y funcionando en hardware convencional.