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.
Este trabajo demuestra que ingenierar cuidadosamente las alineaciones de secuencias múltiples (MSA) y las plantillas estructurales mejora significativamente la precisión de las predicciones de AlphaFold3 para monómeros, multímeros y complejos proteína-ligando, superando además a AlphaFold2 bajo las mismas condiciones de entrada.
Este estudio revela que AlphaFold 3 depende fundamentalmente de la diversidad evolutiva en las alineaciones de secuencias múltiples para activar sus priores estructurales y predecir con precisión la conformación de proteínas, en lugar de basarse en la profundidad de la alineación o en la secuencia aislada.
Los autores desarrollaron un marco de integración basado en redes que utiliza la direccionalidad de los cambios diferenciales para combinar perfiles proteómicos heterogéneos, revelando así relaciones biológicas significativas como la agrupación de perfiles de cáncer de mama alrededor de un perfil de tratamiento con doxorrubicina y su asociación con la etapa tumoral.
El artículo presenta SCIGMA, un marco de aprendizaje profundo escalable, generalizable y consciente de la incertidumbre que integra hasta cinco modalidades de ómicas espaciales en más de un millón de ubicaciones, superando a los métodos existentes en la preservación de señales modales, la detección de dominios espaciales y la identificación de heterogeneidad biológica o técnica.
CHORD es un marco de integración de datos de células individuales entre especies que aprende representaciones conjuntas de genes, células y tipos celulares para revelar relaciones conservadas y divergentes, facilitar la anotación de tipos celulares y alinear la variación fenotípica continua en una línea temporal de desarrollo.
El marco integrado LinkD acelera el reposicionamiento de fármacos mediante un enfoque unificado que combina predicción de interacciones fármaco-diana basada en difusión, puntuaciones de selectividad, validación fenotípica a gran escala y evidencia clínica de registros de salud electrónicos, demostrando su eficacia al identificar asociaciones terapéuticas como la reducción del riesgo de cáncer de próstata mediante betabloqueantes.
BioEngine es una capa de ejecución y adaptación que permite a los biólogos ejecutar, ajustar y desplegar modelos de IA para imágenes biológicas en diversos entornos de hardware mediante instrucciones simples dirigidas a un agente de inteligencia artificial.
El estudio presenta PEACE, una nueva herramienta de aprendizaje profundo que utiliza incrustaciones de secuencias y entrenamiento contrastivo basado en prototipos para superar los falsos positivos en la identificación de efectores patógenos, logrando un rendimiento superior al de EffectorP 3.0 en conjuntos de datos realistas.
El artículo presenta GTStrDTI, un marco de transformador jerárquico basado en atención gráfica que integra características estructurales 3D de proteínas y moléculas para mejorar significativamente la predicción de la afinidad de unión fármaco-diana, superando a los métodos actuales en escenarios de inicio en frío.
Este artículo presenta un agente automatizado de búsqueda de políticas que supera a los métodos tradicionales de priorización de candidatos a fármacos peptídicos, logrando identificar un 65% de las mejores opciones en su lista de 20 frente al 44% de NSGA-II mediante un marco de evaluación público y código abierto.