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 presenta Neurotox, un marco de aprendizaje profundo basado en secuencias que demuestra que la neurotoxicidad se codifica en características distribuidas de la secuencia de aminoácidos que moldean la organización estructural y la interacción con receptores, en lugar de depender únicamente de residuos de contacto aislados.
Este trabajo presenta una actualización del algoritmo PolarBearal que logra un 97% de precisión en la identificación automática del número de hebras en beta-barriles de membrana externa bacteriana, permitiendo el análisis a gran escala de más de 571.000 estructuras predichas por AlphaFold2 para avanzar en la comprensión de la relación estructura-función y el diseño de proteínas.
PhosSight es un marco unificado de aprendizaje profundo que mejora la identificación y acelera el análisis de la fosfoproteómica mediante el uso de características fisicoquímicas específicas para optimizar tanto la adquisición dependiente de datos (DDA) como la independiente (DIA), lo que permite descubrir nuevos objetivos oncológicos como MARK2 en el cáncer de endometrio.
Este estudio demuestra que mejorar la identificación de genes causales mediante modelos de lenguaje grandes se logra integrando la recuperación de literatura (RAG) y la información de distancia genómica, aunque la combinación de ambos enfoques presenta retornos decrecientes debido a sus interacciones específicas.
El artículo presenta NIRD, un método basado en factorización matricial y regresión no lineal que infiere redes de dependencias no lineales entre genes a partir de perfiles de transcriptoma de células individuales altamente dispersos, superando a otros enfoques en precisión, robustez ante efectos de lote y capacidad para predecir objetivos directos de factores de transcripción.
Este estudio demuestra que las puntuaciones de calidad por base en la secuenciación de ADN libre de células pueden servir como un marcador de bajo costo y sin alineación para detectar cáncer, ya que capturan señales fragmentómicas que distinguen eficazmente entre muestras tumorales y controles.
El artículo presenta FAMUS, un marco de aprendizaje contrastivo de pocos ejemplos que mejora la anotación funcional de proteínas a gran escala al utilizar puntuaciones de similitud completas en lugar de los mejores resultados individuales, superando a herramientas existentes como KofamScan e InterProScan y ofreciendo modelos accesibles para diversas bases de datos de familias proteicas.
Este estudio presenta SCL2205, un conjunto de datos de alta calidad y libre acceso derivado de UniProtKB que, mediante un riguroso preprocesamiento y partición para minimizar la fuga de datos, permite mejorar significativamente el rendimiento de los modelos de aprendizaje profundo para la predicción de la localización subcelular de proteínas en comparación con los métodos actuales.
Este estudio demuestra que el rendimiento de los modelos de lenguaje de proteínas para predecir efectos mutacionales está determinado principalmente por las características intrínsecas de los conjuntos de datos, como la variabilidad de la aptitud, en lugar de la arquitectura del modelo, y revela que muchas evaluaciones actuales sobreestiman el éxito al permitir filtraciones de datos y al no superar a predictores basados simplemente en la aptitud media de los sitios.
Este estudio demuestra mediante simulaciones de dinámica molecular que la fosforilación de un epítopo derivado de ASXL2 remodela las interacciones no enlazantes y aumenta la flexibilidad conformacional del complejo péptido-HLA, mejorando su afinidad de unión y proporcionando una base estructural para el desarrollo de inmunoterapias dirigidas a epítopos tumorales modificados.