1246 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 estudio demuestra que los paleólogos, genes duplicados durante antiguas duplicaciones de genoma completo, están significativamente enriquecidos en listas de domesticación en múltiples especies de cultivos, revelando que la restricción de copias no impide la selección funcional y proporcionando un sustrato genómico duradero para la evolución de los cultivos millones de años después.
Este estudio presenta un enfoque integrado de bioinformática y validación experimental que identifica y valida dos péptidos específicos de *Trypanosoma cruzi*, destacando al Epítopo 5 por su alta sensibilidad y especificidad para el diagnóstico preciso de la enfermedad de Chagas en regiones co-endémicas con leishmaniasis.
El artículo presenta MSstatsResponse, un marco estadístico semiparamétrico de código abierto que mejora la precisión y robustez en la identificación de interacciones fármaco-proteína mediante el uso de regresión isotónica para analizar datos de quimioproteómica de respuesta a dosis, superando las limitaciones de los métodos existentes en diseños experimentales con pocas réplicas o dosis.
El artículo presenta CDS-BART, una herramienta de código abierto y fácil de usar basada en el modelo BART que permite el análisis de secuencias de ARNm de hasta 4 kb, superando las limitaciones actuales de los modelos de inteligencia artificial para aplicaciones terapéuticas.
El artículo presenta TEgenomeSimulator, un marco flexible para generar genomas sintéticos con paisajes de elementos transponibles configurables, diseñado para superar la falta de datos de referencia reales y facilitar el desarrollo de algoritmos y el modelado evolutivo en organismos no modelo.
Este artículo presenta DiffEvol, un marco teórico que modela la evolución como un proceso de difusión restringida en un espacio de genotipos para inferir las limitaciones de viabilidad y los paisajes de aptitud a partir de datos de secuencias, demostrando su eficacia en el análisis de la trayectoria evolutiva del SARS-CoV-2 y su potencial para predecir variantes emergentes.
El artículo presenta SwiftTCR, un protocolo de acoplamiento computacional eficiente que, al aprovechar los patrones de unión polarizados de los receptores de células T (TCR) y utilizar matrices de rotación restringidas, genera modelos de alta calidad de complejos TCR-pMHC-I en minutos, superando significativamente a las herramientas actuales y facilitando el desarrollo de terapias e algoritmos de aprendizaje profundo.
Este estudio demuestra que la selección de genomas de referencia influye en la precisión y eficiencia del perfilado taxonómico de manera dependiente del contexto, donde incluir todos los genomas es óptimo para la identificación de especies bacterianas, mientras que la selección estratégica mejora la estimación de abundancia a nivel de cepas y reduce los requisitos computacionales en el análisis viral.
El artículo presenta FASTiso, un algoritmo exacto de isomorfismo de subgrafos que logra una mayor eficiencia y escalabilidad mediante una coherencia estricta entre la estrategia de ordenamiento de variables y las reglas de poda, superando consistentemente a solvers de referencia en diversos conjuntos de datos con un menor uso de memoria.
Este artículo presenta un marco de aprendizaje por transferencia que utiliza modelos de lenguaje de proteínas preentrenados y un ajuste fino informado por filogenia para mejorar significativamente la predicción de epítopos en patógenos con datos escasos al adaptar el conocimiento de patógenos relacionados.