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.
El artículo presenta ITSxRust, una herramienta en Rust diseñada para la extracción eficiente y robusta de regiones ITS en datos de secuenciación de lecturas largas, la cual supera en rendimiento y precisión a las herramientas existentes mediante el uso de perfiles HMM, estrategias de recuperación de cadenas parciales y diagnósticos estructurados.
El artículo presenta POTTR, un algoritmo combinatorio basado en conjuntos parcialmente ordenados incompletos que identifica trayectorias recurrentes de eventos genéticos en procesos evolutivos y de desarrollo, resolviendo la incertidumbre inherente a los datos de secuenciación y demostrando su eficacia en estudios de cáncer y diferenciación celular.
Este artículo presenta MaxGeomHash, un nuevo algoritmo de sketching que genera muestras aleatorias de tamaño sublineal y variable para conjuntos de k-mers, ofreciendo un equilibrio óptimo entre eficiencia de almacenamiento y precisión en la estimación de similitud genómica, superando a métodos existentes como MinHash y FracMinHash.
El artículo presenta PMGen, un marco integrado que utiliza estrategias de ingeniería de plantillas y suposiciones iniciales en AlphaFold2 para lograr predicciones estructurales de alta fidelidad de complejos péptido-MHC de longitud variable, permitiendo así el diseño guiado por estructura de péptidos y la generación de datos de alta calidad para entrenar modelos de aprendizaje automático en inmunología.
El artículo presenta PaNDA, la primera herramienta de software con interfaz gráfica que permite visualizar y maximizar la diversidad filogenética en redes filogenéticas mediante un algoritmo eficiente para redes con ancho de escaneo acotado, abordando así la complejidad computacional que surge al incorporar eventos reticulares como la hibridación.
Este estudio demuestra que representar los datos de proteómica plasmática mediante relaciones composicionales (log-ratios) entre proteínas, en lugar de sus abundancias absolutas, mejora significativamente la precisión de la predicción de enfermedades humanas, como el Alzheimer, al capturar de manera más fiel las interdependencias bioquímicas subyacentes.
El artículo presenta KuPID, una herramienta de preprocesamiento basada en k-mers que acelera y mejora la precisión de la identificación de nuevos isoformas en lecturas de RNA de larga duración al filtrar lecturas irrelevantes antes de la alineación completa.
El artículo presenta GaugeFixer, una herramienta de Python que resuelve la no identificabilidad de parámetros en modelos de relaciones secuencia-función mediante una proyección de fijación de gauge con escalado lineal, permitiendo así la interpretación biológica de paisajes de aptitud con millones de parámetros.
Este artículo presenta el uso de GFlowNet para la generación de péptidos terapéuticos, demostrando que su enfoque de muestreo proporcional a la recompensa supera a los métodos tradicionales de aprendizaje por refuerzo al lograr una diversidad estructural inherente y robusta sin necesidad de penalizaciones explícitas.
Este artículo presenta un método de destilación para modelos de lenguaje de proteínas que, mediante la combinación de dos regularizadores complementarios, permite crear modelos compactos y eficientes que superan al modelo maestro en velocidad, adaptabilidad a datos escasos y generación de secuencias familiares.