1235 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 calibra herramientas computacionales para la clasificación clínica de variantes de inserción y deleción en marco (in-frame) mediante la construcción de un conjunto de datos de alta confianza y el establecimiento de umbrales de puntuación según las guías ACMG/AMP, demostrando su valor clínico aunque con un rendimiento inferior al de los predictores de variantes de sustitución de nucleótidos.
Este estudio demuestra que, en cohortes pan-cancerosas heterogéneas, la capacidad predictiva de los modelos de supervivencia para inmunoterapia está limitada por la estructura de los datos, donde las variables clínicas dominan sobre las características genómicas como la carga mutacional tumoral.
El artículo presenta una nueva versión de immuneML que establece un marco unificado para el aprendizaje no supervisado en receptores inmunitarios adaptativos, ofreciendo flujos de trabajo integrados para agrupamiento, modelado generativo e interpretación que permiten evaluar la robustez de los modelos y analizar propiedades biológicas en datos parcialmente etiquetados.
El estudio presenta lagCI, un marco computacional que infiere relaciones causales temporales a partir de series temporales de datos multi-ómicos densos mediante el perfilado de correlaciones retardadas y un filtrado estadístico robusto, permitiendo la construcción de redes dirigidas que revelan interacciones moleculares clave en la regulación biológica.
Este estudio demuestra que la estructura espacial y la agregación de abundancias en un meta-comunidad resuelven la discrepancia entre los modelos de dinámica endógena (gLV) y los patrones macroecológicos observados, revelando que la distribución gamma de abundancia microbiana surge principalmente del muestreo espacial y no de mecanismos biológicos específicos.
El estudio presenta embeRNA, un marco basado en redes neuronales que predice el potencial funcional de los microbiomas directamente a partir de la composición de k-mers del ARNr 16S, superando a los métodos basados en referencias al lograr una alta precisión incluso en microbios filogenéticamente novedosos y sin necesidad de asignación taxonómica.
Este estudio demuestra que una estrategia de aprendizaje activo basada en muestreo de Thompson permite explorar eficientemente bibliotecas de péptidos para identificar epítopos de unión a proteínas BET utilizando AlphaFold, logrando recuperar el 50% de los ligandos con solo el 15% de las consultas necesarias para un muestreo exhaustivo.
Este trabajo presenta SCRU-DB, una base de datos masiva de Unidades de ARN Autónomas (SCRUs), y dos modelos de aprendizaje profundo (SCRU-Seq y SCRU-Diff) que superan las limitaciones de datos y escalabilidad existentes para lograr un diseño de secuencias de ARN directo y estructuralmente preciso.
El artículo presenta NetSyn, una herramienta bioinformática que agrupa familias de proteínas basándose en la conservación de su contexto genómico (sintenia) en lugar de solo en la similitud de secuencia, permitiendo así identificar subfamilias isofuncionales, interacciones entre enzimas no homólogas y corregir anotaciones en genomas procariotas.
Este artículo presenta ViScore, un marco de puntuación robusto, y ViVAE, un modelo de aprendizaje profundo interpretable, para mejorar la preservación de estructuras multi-escala y la fiabilidad en la reducción de dimensionalidad de datos de transcriptómica de células individuales.