1205 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.
Vipsania es la primera herramienta de aprendizaje profundo no supervisado que predice con precisión las estructuras de genes codificantes de proteínas a través de diversos genomas eucariotas mediante el aprendizaje directo de secuencias no anotadas, superando así las limitaciones de los métodos supervisados que requieren datos de entrenamiento de alta calidad y tienen dificultades con clados distantes o basales.
PhageTransformer es un modelo de aprendizaje profundo que supera las limitaciones de las herramientas existentes al proporcionar predicciones de hospedadores para bacteriófagos de manera escalable, precisa y rápida, tal como lo demuestra su rendimiento superior en miles de pares fago-hospedador independientes.
El artículo presenta morphOTU, un marco impulsado por IA que deriva unidades de biodiversidad operativas directamente de imágenes de especímenes mediante el aprendizaje autosupervisado y la agrupación jerárquica, permitiendo la cuantificación precisa de la diversidad de especies y el descubrimiento de patrones morfológicos incluso en ausencia de etiquetas taxonómicas formales o datos de entrenamiento extensos.
El artículo presenta DeepTMHMM2, un nuevo predictor que logra simultáneamente la predicción precisa de la topología transmembrana —incluyendo regiones reentrantes e hélices interfaciales no modeladas previamente— y la localización subcelular en 17 membranas biológicas, revelando la presencia generalizada de segmentos que no lo atraviesan en el proteoma.
Este estudio presenta una base de datos XMAn actualizada que integra extensos datos de mutaciones de COSMIC para crear repositorios de péptidos especializados, permitiendo la identificación mediante espectrometría de masas de péptidos mutados asociados al cáncer que suelen ser omitidos por las bases de datos de proteínas canónicas estándar.
Este artículo presenta un marco híbrido que combina un Autoencoder Variacional para generar trayectorias longitudinales sintéticas a partir de datos transversales de cáncer de riñón con un sistema de inducción de reglas simbólicas para producir pronósticos probabilísticos interpretables de la progresión de la enfermedad que igualan la precisión del aprendizaje profundo, al tiempo que ofrecen conocimientos transparentes y legibles por humanos sobre los mecanismos moleculares subyacentes.
HIDE-Deconv es un marco de deconvolución jerárquica de código abierto que optimiza conjuntamente las estimaciones de la composición celular a través de múltiples niveles de resolución para revelar la remodelación celular biológicamente relevante en enfermedades como el adenocarcinoma de pulmón y la sepsis, superando a los métodos existentes de resolución única.
El artículo presenta evoPLM-Tree, un modelo de lenguaje condicional sensible a la estructura de árbol que integra el contexto filogenético para predecir con precisión los patrones mutacionales virales y las trayectorias evolutivas específicas de cada linaje, demostrando una fuerte alineación con las restricciones funcionales experimentales.
Este artículo propone un marco de integración multiómica impulsado por la estabilidad que combina el análisis de correlación canónica generalizada dispersa con una validación cruzada rigurosa para identificar estructuras latentes reproducibles, demostrando su eficacia en una cohorte de cáncer de tiroides al revelar asociaciones de enfermedades consistentes y cambios temporales en los perfiles metabolómicos y proteómicos.
Este artículo presenta un benchmark exhaustivo de la robustez de los modelos de segmentación a través de 30 conjuntos de datos de imágenes biológicas y 36 tipos de corrupción, revelando que el alto rendimiento en imágenes limpias no garantiza la resiliencia ante la corrupción y que métodos más antiguos como StarDist pueden superar a los modelos fundacionales modernos, con fallos que ocurren primordialmente en las capas de codificación iniciales.