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 artículo presenta Mievformer, un marco de aprendizaje auto-supervisido basado en Transformers que utiliza enmascaramiento para aprender representaciones microambientales probabilísticas que capturan eficazmente la heterogeneidad celular y sus acoplamientos espaciales en datos de ómica espacial.
El estudio presenta Turep, un método de aprendizaje profundo que identifica de manera robusta y generalizable células T reactivas a tumores en datos de transcriptómica de células individuales y espaciales, superando a los biomarcadores existentes y demostrando su capacidad para predecir la respuesta clínica a la inmunoterapia.
Este estudio propone el marco de los "dialectos genómicos" para demostrar que los perfiles de sesgo en el uso de codones, que actúan como "acentos informacionales" específicos de cada especie, están moldeados principalmente por las propiedades fisicoquímicas de los aminoácidos y la clasificación de la segunda base del codón, reflejando compromisos evolutivos entre la fidelidad traduccional y la estabilidad proteica más que una reconstrucción filogenética precisa.
Este artículo presenta *memerna*, un marco de muestreo iterativo determinista que permite un modelado eficiente y escalable del plegamiento cotranscripcional del ARN al enumerar exhaustivamente las estructuras secundarias por energía creciente, superando las limitaciones de los métodos estocásticos actuales y revelando mecanismos cinéticos clave como las trampas cinéticas y los sitios de pausa transcripcional.
Este estudio presenta una evaluación sistemática que demuestra que AlphaFold2 supera a OpenFold3 en la predicción de complejos proteína-péptido, revela un memorizado de datos de entrenamiento en AlphaFold2, identifica métricas de confianza específicas derivadas del PAE como indicadores fiables de precisión y subraya la necesidad de umbrales de evaluación calibrados específicamente para péptidos.
Esta investigación aborda los desafíos de interpretabilidad en las Redes Neuronales Gráficas (GNN) para la predicción de interacciones proteína-ligando, integrando técnicas avanzadas como mecanismos de atención, aprendizaje auto-supervisado y modelos de lenguaje de proteínas para desarrollar modelos de descubrimiento de fármacos más transparentes, precisos y biológicamente significativos.
Este artículo presenta las herramientas de optimización de codones OptimWiz 2.1 y 3.0, que superan a las soluciones comerciales existentes y revelan los principios subyacentes de la optimización mediante el aprendizaje automático.
SpaceBender es un método de código abierto que mejora las señales biológicas en datos de transcriptómica espacial al eliminar el ruido causado por la difusión de ARN, superando a los métodos actuales y permitiendo revelar conocimientos biológicos ocultos tanto en tejidos como en datos de resolución subcelular.
Este estudio propone un marco de redes de similitud derivadas de tensores para analizar la organización espacial en el cáncer colorrectal, demostrando que la estructura tisular real restringe la conectividad de la red en comparación con configuraciones aleatorias y ofreciendo una metodología cuantitativa para descubrir biomarcadores espaciales y caracterizar la arquitectura tumoral.
EpiRanha es un marco multimodal que combina embeddings de secuencia y redes neuronales gráficas equitariantes para identificar y clasificar similitudes de epítopos a nivel de residuo, superando las limitaciones de los métodos basados únicamente en secuencia o alineación estructural rígida y mejorando así la evaluación de riesgos de reactividad cruzada y el diseño de anticuerpos.