771 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.
EnzyGen2 es un modelo de inteligencia artificial de 730 millones de parámetros que co-diseña simultáneamente la secuencia y la estructura de enzimas *de novo* guiadas por ligandos, superando a los métodos actuales en precisión y velocidad, y validándose experimentalmente al generar biocatalizadores novedosos con actividades catalíticas comparables o superiores a las enzimas naturales.
Flipper es un marco avanzado que mejora el análisis diferencial de la unión de proteínas de unión al ARN en datos eCLIP mediante la integración de controles de entrada y estrategias de normalización jerárquica para distinguir con mayor precisión los cambios reales de unión de los efectos impulsados por la expresión génica.
El artículo presenta WayFindR, un paquete de R que convierte datos de vías biológicas en estructuras de grafos para analizar la regulación por retroalimentación, revelando que los bucles de retroalimentación negativa están subrepresentados en las bases de datos actuales y destacando la necesidad de mejorar la curación de datos para comprender mejor la dinámica de los sistemas celulares.
El artículo presenta MoCoO, un marco modular que integra un VAE, ecuaciones diferenciales neuronales y contraste de momentum, el cual, tras un refinamiento con flujo de coincidencia, logra un rendimiento superior en la inferencia de trayectorias celulares y el aprendizaje de representaciones en datos de scRNA-seq al mejorar tanto la geometría de los clusters como la calidad de las incrustaciones latentes.
Este estudio demuestra que la composición de tipos celulares, representada mediante proporciones transformadas logarítmicamente, es un método simple, robusto y superior para la estratificación de pacientes en cohortes de scRNA-seq en comparación con enfoques más complejos, y presenta la herramienta de código abierto scECODA para facilitar este análisis.
Este artículo presenta y evalúa el uso de modelos de lenguaje de proteínas para generar bases de datos de cebos en proteómica, concluyendo que, aunque ofrecen ventajas en la detección de artefactos de secuencia, los cebos inversos clásicos siguen siendo más efectivos para la identificación de péptidos, por lo que los cebos basados en modelos de lenguaje son más útiles como herramientas de diagnóstico y prueba de estrés que como reemplazos universales.
Mediante una estrategia de minería de datos de espectrometría de masas en repositorios globales, este estudio construyó una biblioteca de 34,222 espectros MS/MS que define 2,857 composiciones atómicas de carnitinas, permitiendo la identificación de nuevos conjugados y facilitando la exploración de su papel en el metabolismo, la dieta y la actividad microbiana.
El estudio presenta Carafe2, una herramienta de aprendizaje profundo que genera bibliotecas espectrales *in silico* de alta calidad y específicas del experimento para datos de adquisición independiente de DIA en timsTOF, superando el rendimiento de los modelos preentrenados en DDA y mejorando la detección de péptidos en diversos proteomas.
El artículo presenta Parallel-REM, una pipeline paralela en Python que acelera drásticamente la inferencia de redes microbianas mediante modelos de efectos aleatorios, resolviendo los cuellos de botella computacionales y los problemas de convergencia en datos de alta dimensión para habilitar su integración en arquitecturas de aprendizaje profundo.
El artículo presenta BCAR, un mapeador rápido y general de secuencias de códigos de barras diseñado específicamente para corregir errores de secuenciación, incluyendo inserciones y deleciones, aprovechando las puntuaciones de calidad para generar mapas de alta precisión que superan a los métodos existentes.