1238 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 CROWN, un nuevo conjunto de datos de 153.005 complejos proteína-ligando curado y optimizado mediante un pipeline automatizado que equilibra la cobertura masiva con el control de calidad riguroso, ofreciendo un recurso superior para el entrenamiento de modelos de aprendizaje automático en interacciones moleculares sin depender de afinidades de unión externas.
El artículo presenta *geneslator*, un paquete de R que unifica la conversión de identificadores génicos, la mapeo de ortólogos y la anotación de vías para ocho organismos modelo, ofreciendo un marco preciso y coherente que supera las limitaciones de las herramientas existentes para mejorar la interpretación y reproducibilidad de los datos genómicos.
Este estudio emplea análisis computacional estructural para evaluar cómo diferentes diseños de enlaces afectan la estabilidad y la unión antigénica de un fragmento de anticuerpo scFv dirigido contra el receptor GUCY2C, estableciendo un marco para su optimización racional en terapias contra el cáncer colorrectal.
El artículo presenta T-Rex, una aplicación de escritorio de código abierto que permite a clínicos e investigadores sin conocimientos de programación realizar análisis estandarizados, precisos y locales de variantes germinales en secuenciación de exoma completo de trios, facilitando así la investigación colaborativa en enfermedades raras y cáncer pediátrico.
Este trabajo presenta Claw4Science, una plataforma y el primer conjunto de datos curado que unifica y analiza el ecosistema fragmentado de agentes científicos OpenClaw, facilitando la exploración de sus herramientas y estableciendo una base para futuros estándares en la computación científica con IA.
STAPLE es un marco modular que automatiza y unifica los flujos de trabajo de la transcriptómica espacial mediante una única invocación y un informe potenciado por IA, resolviendo así la fragmentación de herramientas existentes para mejorar la reproducibilidad y la interpretación biológica.
Los autores desarrollaron un marco de predicción de supervivencia dinámico y multimodal para el mieloma múltiple que integra expresión génica, laboratorios longitudinales e historial de tratamiento, logrando una precisión superior a los métodos existentes y demostrando robustez en cohortes independientes mediante la identificación de firmas biológicas relevantes.
Este estudio propone y evalúa estrategias de robustificación para los Bosques Aleatorios en la predicción genómica, demostrando que las transformaciones de datos, especialmente las basadas en rangos, son la opción más efectiva para mitigar el impacto de la contaminación en los datos y recuperar señales predictivas latentes en contextos de cría animal y vegetal.
El estudio presenta SSPSPredictor, un modelo de aprendizaje profundo multimodal que combina información de secuencia y estructura para predecir con alta precisión y interpretabilidad las proteínas que experimentan separación de fases, revelando además una mayor propensión a este fenómeno en proteínas intrínsecamente desordenadas y su vínculo con variantes patogénicas.
El artículo presenta BulkMonSTR, un marco computacional que combina la modelización de errores específica de repeticiones cortas en tándem (STR) con clasificación de aprendizaje automático para detectar con precisión mutaciones mosaico en STR a partir de datos de secuenciación masiva, superando a los métodos existentes en precisión y capacidad para identificar variantes en alelos no de referencia.