1210 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 propone un marco no supervisado que aprovecha los modelos de lenguaje grandes y el aprendizaje contrastivo para caracterizar secuencias de la proteína de espiga del SARS-CoV-2, demostrando un rendimiento de agrupamiento mejorado en la predicción de variantes emergentes en comparación con enfoques anteriores.
El artículo presenta cryoPANDA, un conjunto masivo de datos de más de 37 millones de partículas de criomicroscopía electrónica anotadas procedentes de 252 experimentos diversos, diseñado para superar las limitaciones actuales de datos y acelerar el desarrollo de métodos basados en datos para la biología estructural.
Este trabajo presenta un marco de clasificación de una sola clase en subespacio totalmente basado en datos que modela perfiles proteómicos plasmáticos sanos para detectar de manera robusta diversas enfermedades sin requerir muestras de entrenamiento de pacientes enfermos, superando así los desafíos del desequilibrio de clases en datos clínicos de alta dimensión.
Este artículo presenta un estudio de caso CASP16 de LCBio que demuestra que, si bien los flujos de trabajo guiados por expertos pueden lograr clasificaciones competitivas en la predicción de multímeros de ARN, los métodos actuales exhiben un declive jerárquico en la precisión donde las características locales fiables no se traducen en arquitecturas globales precisas debido a desafíos persistentes en el modelado de uniones de múltiples hélices e interacciones no canónicas.
Este artículo presenta linearPOA, un marco paralelo y eficiente en memoria que utiliza una estrategia de dividir y conquistar para lograr una complejidad espacial lineal en la Alineación de Orden Parcial, reduciendo significativamente el consumo de memoria en comparación con los algoritmos cuadráticos existentes al manejar lecturas de secuenciación ultralargas y propensas a errores.
Este estudio introduce PanBART, un modelo transformador específico de especie entrenado sobre el contenido y el orden de los genes de *Escherichia coli* y *Streptococcus pneumoniae*, que demuestra su capacidad superior para aprender de forma no supervisada estructuras poblacionales, identificar linajes emergentes, predecir la adquisición de genes de resistencia a antibióticos y analizar la co-selección de genes para tareas críticas de vigilancia genómica.
Este artículo presenta una pipeline de autoencoder variacional condicional que integra un ajuste fino ponderado por sustitutos guiado por QSAR y una optimización de entropía cruzada para superar los desafíos de escasez de datos y dependencia circular, generando con éxito péptidos antimicrobianos dirigidos con alta eficacia predicha y propiedades estructurales favorables.
Este estudio emplea un enfoque integrativo de farmacología de sistemas para caracterizar la heterogeneidad molecular del síndrome antifosfolípido, identificando la señalización del interferón tipo I y la reprogramación de células B tipo mieloides como ejes clave farmacológicamente accionables que permiten la estratificación de pacientes y el reposicionamiento de terapias existentes para la medicina de precisión.
El artículo presenta BioChirp, un framework de código abierto que combina la interpretación de consultas basada en LLM con la recuperación determinista basada en grafos para recuperar más asociaciones biomédicas con mayor reproducibilidad que los sistemas convencionales basados en LLM.
El artículo presenta el Reforzador de Prototipos Explicable (EP-Booster), un método que integra conocimientos previos biológicos en modelos fundamentales para refinar las representaciones latentes y lograr una predicción precisa e interpretable de la expresión génica a partir de imágenes histológicas, superando así las limitaciones de costo y tiempo de la transcriptómica espacial.