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 estudio presenta un marco de evaluación exhaustivo que demuestra que el rendimiento de los métodos de estimación de matrices de precisión para el análisis de redes de co-expresión diferencial depende críticamente de las características de los datos, identificando a GLassoElnetFast como el método más preciso bajo diversas condiciones simuladas.
Este estudio demuestra que, aunque la expresión génica sesgada por el sexo puede influir en la esencialidad de los genes, las diferencias funcionales entre sexos suelen estar impulsadas principalmente por efectos directos independientes de la expresión, especialmente en los genes del cromosoma X donde la dosis cromosómica juega un papel dominante.
Este estudio demuestra que la incorporación de características de secuencia informadas biológicamente, más allá de la estructura y la afinidad, permite identificar señales dependientes del contexto que mejoran significativamente la tasa de éxito en el diseño de ligantes *de novo* y reducen los fracasos experimentales.
El artículo presenta DeSCOPE, un marco ligero basado en autoencoders variacionales condicionales que supera a los modelos basales para predecir respuestas a perturbaciones genéticas en escenarios de genes y tipos celulares no vistos, así como en perturbaciones combinatorias, sirviendo como un modelo virtual celular versátil para guiar el diseño de objetivos terapéuticos.
El marco de trabajo spatialFDA, disponible como un paquete de R en Bioconductor, combina estadística espacial y análisis de datos funcionales para cuantificar y probar eficazmente las diferencias en la co-localización celular entre múltiples condiciones en datos de ómica espacial, demostrando su utilidad tanto en simulaciones como en estudios biológicos reales como la diabetes tipo 1.
Este estudio presenta un marco integral que combina modelos de lenguaje proteico y estructuras 3D predichas para predecir la autoasociación de anticuerpos mediante el ensayo CSI-BLI, demostrando su eficacia como predictor temprano de viscosidad y aclaramiento in vivo, y superando a los modelos basados únicamente en secuencia.
Este estudio presenta el marco de análisis deepHTL, que utiliza regresión semiparamétrica profunda para detectar y estimar la heterogeneidad causal del tratamiento en estudios observacionales, demostrando mediante un caso de trasplante pulmonar que los beneficios de la cirugía bilateral frente a la unilateral varían significativamente según las características del paciente, ofreciendo así una guía estadística para la selección de receptores.
Este estudio valida el dispositivo ActTrust(R) como una herramienta económica y efectiva para estimar el gasto energético y clasificar la intensidad de la actividad física en adultos jóvenes, demostrando una alta correlación con la frecuencia cardíaca y el consumo de oxígeno medido por calorimetría indirecta.
Este estudio presenta un marco para validar y agregar módulos de interacción genética generados por múltiples algoritmos, demostrando que ningún método individual es óptimo para todos los conjuntos de datos y proponiendo técnicas de agrupación espectral y fusión basada en conductancia para obtener módulos más cohesivos y revelar genes ocultos.
El artículo presenta GRASP, un marco eficiente en parámetros que utiliza prompts suaves adaptativos basados en LLMs para inferir redes génicas de manera escalable y generalizable, superando a otras estrategias de prompting al capturar tanto señales específicas de pares como patrones de interacción compartidos.