775 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 estudio presenta un método rápido, sin marcaje y no destructivo que combina espectroscopía vibracional (ATR-FTIR y Raman) con aprendizaje profundo para cuantificar con alta precisión la distribución de longitudes de fragmentos de ADN, ofreciendo una alternativa escalable a las técnicas convencionales.
El marco de inteligencia artificial explicable APEX integra modelos de aprendizaje profundo para descubrir dianas terapéuticas esenciales en patógenos y diseñar moléculas inhibidoras dirigidas a sus bolsillos específicos, ofreciendo una solución unificada y transparente para acelerar el desarrollo de fármacos antimicrobianos.
El artículo presenta scDynOmics, un modelo transformador preentrenable y escalable que integra datos multimodales de células individuales mediante mecanismos de atención eficientes y ajuste fino paramétrico para lograr un aprendizaje de representación de alta calidad, clasificación celular y la interpretación de dinámicas de desarrollo.
Este estudio demuestra mediante farmacología de redes y validación experimental que el Panax notoginseng acelera la cicatrización de heridas cutáneas en ratas al modular múltiples componentes y vías de señalización, reduciendo la inflamación y optimizando la transición hacia la reparación tisular mediante la regulación de las citoquinas TNF-α, IL-6 e IL-10.
SpatialCompassV (SCOMV) es una herramienta computacional que permite la clasificación no supervisada de patrones espaciales de genes y células, así como la identificación de genes diferencialmente espaciales, mediante el análisis vectorial de sus posiciones relativas a regiones de interés en tejidos tumorales.
Este estudio demuestra que, gracias a las mejoras recientes en la precisión de Oxford Nanopore Technologies, ahora es posible generar variantes de secuencia de amplicón (ASV) directamente a partir de lecturas crudas para perfiles microbianos complejos, superando la dependencia de bases de datos de referencia y permitiendo la resolución de variantes intragenómicas en rangos de longitud de 250 a 4200 pb.
Este estudio utiliza enfoques computacionales para identificar genes, vías y reguladores moleculares convergentes que vinculan el trastorno de estrés postraumático, la esquizofrenia y el trastorno bipolar con procesos de inflamación autoinmune y enfermedades infecciosas, proponiendo así posibles dianas terapéuticas.
Este estudio presenta un marco de referencia integral para evaluar herramientas computacionales que cuantifican elementos transponibles a nivel de locus en datos de ARN-seq de células individuales, concluyendo que, aunque las inserciones antiguas pueden analizarse con precisión, las jóvenes siguen siendo difíciles de resolver debido a la ambigüedad de lectura y recomendando estrategias específicas como el uso de mapeadores únicos y la agregación a nivel de subfamilia.
Un modelo de simulación revela que, aunque la hibridación en la restauración de corales *Acropora* del Caribe no representa un riesgo significativo de desplazamiento genético, su potencial para facilitar la transferencia adaptativa de genes es limitado, lo que subraya la utilidad de las simulaciones para evaluar estrategias de conservación a largo plazo.
El artículo presenta DeepAllele, un modelo de aprendizaje profundo que utiliza datos de secuenciación con fase definida para predecir cambios sutiles en la regulación génica entre alelos y descubrir motivos regulatorios funcionales con mayor precisión que los métodos estadísticos tradicionales.