770 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 marco GAE-Δ aprovecha un autoencoder de grafos para modelar la reconfiguración de redes génicas específica de fenotipos a través de datos multi-ómicos, logrando una predicción superior de resultados clínicos e identificando impulsores del cáncer biológicamente relevantes en comparación con los métodos existentes de factorización lineal y basados en redes.
El artículo presenta ALARMIST, un marco probabilístico que descifra motivos interpretables de comunicación multicelular a partir de datos de transcriptómica espacial para identificar patrones de señalización de orden superior y sus impactos fenotípicos aguas abajo, demostrando su utilidad para descubrir los impulsores microambientales de la progresión tumoral en el adenocarcinoma de pulmón y el glioblastoma.
Este trabajo presenta una optimización sistemática de la plataforma CycloneSEQ, que integra el procesamiento experimental de muestras con flujos de trabajo computacionales de ensamblaje para superar las limitaciones de la secuenciación de lecturas cortas y mejorar significativamente la recuperación de genomas microbianos completos a partir de metagenómica de lecturas largas del intestino.
Este artículo revela que la fuga de datos inducida por homología infla sistemáticamente el rendimiento de los modelos de secuencia entrenados con genomas al hacer que dependan de asociaciones memorizadas en lugar de principios generalizables, y propone la herramienta hashFrag para permitir la partición de datos consciente de la homología, logrando así una evaluación más fiable y una mejor generalización del modelo.
Este estudio introduce un marco computacional sistemático que integra la fosfoproteómica con resolución temporal con un algoritmo de búsqueda por haz guiado por BFS para reconstruir redes de señalización de EGFR específicas de tipo celular, revelando con éxito cómo la inhibición de SHP2 reconfigura las arquitecturas de las vías y conduce a mecanismos de resistencia adaptativa.
Este artículo presenta un marco Text-to-Target consciente de la procedencia que integra la recuperación de modelos de lenguaje grandes con restricciones de esquema y el análisis de datos ómicos numéricos para generar objetivos de enfermedades y estrategias de descubrimiento de fármacos interpretables y listos para auditoría, demostrando una validación significativa en la enfermedad de Alzheimer y el adenocarcinoma de conducto pancreático.
Este estudio integra datos multi-ómicos para desarrollar y validar una firma pronóstica simplificada de 15 genes y un nomograma clínico-genómico que predicen con precisión los resultados de supervivencia en pacientes con cáncer de mama triple negativo.
Este trabajo introduce objetivos contrastivos asimétricos, incluida una variante SPC inspirada geométricamente que incorpora metadatos experimentales como vectores de clase aprendidos, para extraer eficientemente representaciones de imágenes para el cribado fenotípico que superan a los métodos anteriores en múltiples conjuntos de datos y métricas, manteniéndose efectivos con recursos de datos y computación limitados.
Este artículo presenta TEA, un nuevo alfabeto de proteínas de 20 letras derivado de incrustaciones de modelos de lenguaje mediante aprendizaje contrastivo, que permite una detección rápida y sensible de homología remota que rivaliza con los métodos basados en la estructura mientras aprovecha los algoritmos de búsqueda de secuencias existentes.
Este artículo revela que el uso generalizado de pruebas estadísticas inválidas que ignoran la dependencia de los pliegues de validación cruzada en el aprendizaje automático biomédico conduce a tasas de falsos positivos infladas, lo que lleva a los autores a proponer la prueba SHARP como una solución robusta y a proporcionar nuevas directrices de informe para la comparación válida de modelos.