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 OT-knn, un marco de transporte óptimo que mejora la alineación de datos de transcriptómica espacial al integrar información de vecindarios locales para superar desafíos como el ruido, la heterogeneidad biológica y las deformaciones geométricas entre muestras.
El artículo presenta wavess 1.2, un marco de simulación de secuencias virales dentro del huésped que incorpora explícitamente una respuesta de linfocitos T citotóxicos dependiente de HLA y permite tasas de recombinación variables para modelar con mayor precisión la evolución viral y la selección inmunitaria.
Este estudio sistémico analiza más de 18 millones de artículos para demostrar que los sondeos químicos son herramientas fundamentales que no solo validan y fortalecen las asociaciones entre dianas y enfermedades, sino que también revelan nuevas oportunidades terapéuticas y anteceden en varios años a la evidencia estructurada en bases de datos clave.
Este estudio demuestra que el uso de herramientas de explicación pos-hoc, como SHAP, permite identificar sesgos en modelos de aprendizaje automático aplicados a imágenes biológicas escasas (revelando que clasificaban individuos en lugar de patrones de regeneración) y, al mismo tiempo, extraer información biológica relevante cuando la tarea se alinea adecuadamente con las limitaciones de los datos.
Este estudio presenta un marco multimodal que integra la factorización de matrices no negativas direccional (dNMF) para demostrar que las variaciones de repeticiones cortas en tándem (STR) a nivel del genoma ofrecen una resolución de la estructura poblacional humana superior a la de los polimorfismos de un solo nucleótido (SNP), permitiendo inferencias demográficas más finas, reproducibles y biológicamente interpretables.
El artículo presenta ProteinConformers, una nueva base de datos que ofrece descripciones a gran escala y energéticamente perfiladas de paisajes conformacionales de proteínas, incluyendo 2,7 millones de conformaciones optimizadas, 13,7 millones de evaluaciones energéticas y un marco de referencia para el análisis y la generación de múltiples conformaciones.
Este estudio define la localización específica de los receptores de angiotensina en el pulmón humano, identificando al AGTR1 como un marcador selectivo de pericitos que regula su comportamiento y la reparación del espacio aéreo, lo cual es crucial para comprender y tratar enfermedades pulmonares como la EPOC y la fibrosis.
Este estudio identifica dos motivos topológicos distintivos para las inversiones en gráficos de pan-genoma, desarrolla una herramienta para su anotación y revela que los pipelines actuales presentan tasas de recuperación muy bajas y representaciones inexactas de estas variantes, especialmente en conjuntos de datos reales humanos.
Este estudio demuestra que los modelos fundacionales de ADN, especialmente HyenaDNA, superan a los métodos especializados en la predicción precisa y eficiente de sitios de unión de factores de transcripción en genomas de plantas, ofreciendo una solución escalable para la regulación génica.
Este estudio demuestra que la calidad de los datos, específicamente la escasez y el ruido en los datos moleculares así como la resolución de las imágenes, impacta significativamente el rendimiento de los modelos de aprendizaje profundo para predecir la expresión génica espacial a partir de imágenes histológicas, sugiriendo que mejorar la calidad de los datos es una estrategia complementaria y crucial al ajuste de la arquitectura del modelo.