1245 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 OpenFold-TRT, una solución que acelera la inferencia de estructuras de proteínas hasta 131 veces más rápido que AlphaFold2 en hardware de NVIDIA, desde computadoras compactas hasta centros de datos, manteniendo la precisión y permitiendo búsquedas de homología eficientes en diferentes arquitecturas.
Este estudio revela que la resistencia de *Aedes aegypti* a los piretroides es un proceso complejo y dependiente de la concentración, donde el lambda-cialotrina induce principalmente respuestas mitocondriales y de estrés oxidativo, mientras que la permetrina activa mecanismos de detoxificación metabólica y barreras cuticulares, lo que subraya la necesidad de considerar tanto el tipo de insecticida como su dosis en los programas de control vectorial.
El artículo presenta stMCP, un marco basado en el Protocolo de Contexto de Modelo (MCP) que permite a los biólogos realizar análisis de transcriptómica espacial mediante lenguaje natural ejecutando herramientas localmente, lo que garantiza la privacidad de los datos, reduce costos y acelera el descubrimiento científico sin reemplazar a los bioinformáticos.
El artículo presenta MOPP, una pipeline modular que mejora significativamente la precisión taxonómica y funcional del perfilado ribosómico metatranscriptómico (metaRibo-Seq) en comunidades microbianas complejas al filtrar referencias genómicas basándose en la amplitud de cobertura metagenómica, reduciendo drásticamente los falsos positivos sin comprometer la detección de la mayoría de los datos de lectura.
Este estudio utiliza secuenciación de lectura larga para construir un atlas completo de isoformas en cáncer de ovario, revelando que la reestructuración a nivel de isoformas, a menudo invisible en análisis convencionales, es crucial para la progresión tumoral y ofrece nuevos marcadores clínicos y biológicos.
El artículo presenta DisGeneFormer, un pipeline de priorización de genes de enfermedades que integra atención gráfica local y global mediante transformadores para generar listas de candidatos más precisas y clínicamente útiles, superando significativamente a los métodos existentes.
ProteinMCP es un marco de inteligencia artificial agente que automatiza y democratiza el diseño de proteínas orquestando un ecosistema unificado de herramientas mediante el Protocolo de Contexto de Modelo (MCP), logrando una eficiencia sin precedentes y facilitando la creación autónoma de proteínas terapéuticas.
Este estudio identifica y valida mediante una nueva herramienta bioinformática, Off-target Probe Tracker (OPT), que la unión inespecífica de sondas afecta la precisión de los paneles de genes de Xenium de 10x Genomics, demostrando que los perfiles de expresión espacial pueden reflejar la suma de genes diana y no objetivo en lugar de solo el gen diana.
Este estudio presenta una versión actualizada de ANNEXA, una pipeline de código abierto basada en Nextflow que integra herramientas de reconstrucción de transcriptomas, modelos de aprendizaje profundo y FEELnc para mejorar la anotación genómica y el control de calidad utilizando datos de secuenciación de ARN de lectura larga, demostrando su eficacia al identificar genes y transcritos novedosos en líneas celulares cancerosas humanas y caninas.
El estudio revela que, aunque los métodos de aprendizaje profundo actuales pueden predecir estructuras de ARN con precisión cuando se asemejan a motivos conocidos, carecen de capacidad para generalizar a nuevos pliegues y sus estimaciones de precisión son poco fiables.