1242 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 PSALM, un método que combina un modelo de lenguaje proteico preentrenado (ESM-2) con un clasificador y un decodificador probabilístico para anotar dominios proteicos con una sensibilidad y especificidad comparables a las de HMMER, ofreciendo una mayor cobertura en umbrales de confianza más relajados.
Este estudio presenta la "substitutómica de aminoácidos", un nuevo enfoque basado en el análisis proteómico a gran escala que revela que la mayoría de las sustituciones de aminoácidos en el cáncer son de origen postraduccional y no genómico, proporcionando así nuevas claves sobre mecanismos de escape inmunitario, resistencia a fármacos y funciones biológicas clave.
Este estudio bioinformático demuestra que la sobreexpresión del gen ITGB1 en múltiples tipos de cáncer se asocia con un pronóstico desfavorable y resistencia terapéutica, posicionándolo como un biomarcador prometedor y un objetivo para futuras estrategias oncológicas.
Esta revisión sistemática analiza el uso del aprendizaje de representación profunda, especialmente los autoencoders variacionales, en la investigación oncolómica, destacando que, aunque son útiles para el subtipado y diagnóstico, su aplicación para modelar la progresión temporal del cáncer sigue siendo limitada debido a la escasez de datos longitudinales, proponiendo su uso como modelos generativos para superar esta brecha.
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 CCIDeconv, un modelo jerárquico que permite descomponer las interacciones célula-célula en regiones subcelulares específicas (núcleo y citoplasma) utilizando datos de transcriptómica de células individuales no espaciales, logrando una predicción robusta mediante el entrenamiento en múltiples tipos de tejidos.
Mediante el modelado de variedades latentes en datos de secuenciación de ARN de una sola célula, este estudio demuestra que la periodontitis severa implica una histeresis transcripcional irreversible y propone el Índice de Permiso Regenerativo (RPI) como una métrica cuantitativa para predecir el fracaso de las intervenciones regenerativas cuando los umbrales moleculares de irreversibilidad se han superado.
El estudio presenta BlueSTARR, un marco de modelado predictivo reentrenable basado en aprendizaje profundo que utiliza datos de ensayos de reporteros de genoma completo (STARR-seq) para priorizar variantes no codificantes, revelar firmas de selección purificadora y aprender patrones de unión dependientes del tratamiento, demostrando que modelos ligeros pueden extraer señales latentes de datos experimentales novedosos aunque existe margen de mejora incluso para los modelos más avanzados.
El artículo presenta IDBSpred, una herramienta basada en aprendizaje automático y el modelo de lenguaje de proteínas ESM-2 que predice con precisión los sitios de unión de proteínas intrínsecamente desordenadas en proteínas estructuradas, facilitando así el estudio de estas interfaces y la identificación de dianas terapéuticas.