29 artículos
Este artículo presenta un marco de aprendizaje profundo basado en redes convolucionales temporales que aborda la predicción de sitios de unión de factores de transcripción como un problema de clasificación multietiqueta, logrando capturar correlaciones y mecanismos cooperativos entre múltiples factores para revelar patrones de unión biológicamente significativos y nuevas relaciones.
El método ScNucAdapt utiliza adaptación de dominio parcial para lograr una anotación precisa y robusta de tipos celulares entre datos de scRNA-seq y snRNA-seq, superando a los enfoques existentes al abordar las diferencias distribucionales y de composición celular.
El artículo presenta DeeDeeExperiment, una nueva clase S4 en Bioconductor que extiende a SingleCellExperiment para estandarizar el almacenamiento y la gestión de resultados de análisis de expresión diferencial y enriquecimiento funcional en experimentos ómicos, facilitando así la interoperabilidad, la reproducibilidad y la interpretación de datos complejos.
Este estudio evalúa el rendimiento de diversos algoritmos de aprendizaje automático, redes neuronales profundas y herramientas de puntuación de riesgo poligénico en la predicción de 80 fenotipos binarios del conjunto de datos openSNP, revelando que el aprendizaje automático supera a las herramientas tradicionales en 44 fenotipos, mientras que estas últimas resultan más efectivas en 36.
Este estudio propone un pipeline de aprendizaje automático y profundo que, al clasificar casos y controles mediante datos genotípicos de 30 fenotipos, identifica con éxito genes asociados a enfermedades mediante la importancia de las características, validando sus hallazgos con el Catálogo GWAS y logrando una alta tasa de identificación de genes.
SeekRBP es un marco innovador que combina secuencias y estructuras de proteínas mediante aprendizaje por refuerzo y muestreo dinámico de negativos para superar las limitaciones de los métodos tradicionales en la identificación precisa de proteínas de unión a receptores virales.
Este estudio demuestra que un modelo estadístico-mecánico, parametrizado mediante mediciones precisas de energías de unión in vitro del factor de transcripción Klf4, es capaz de predecir con alta fidelidad su ocupación en todo el genoma humano sin necesidad de ajustes adicionales.
Este estudio introduce el rastreo de circuitos causales para revelar que los modelos fundamentales de células individuales, como Geneformer y scGPT, comparten arquitecturas computacionales distintivas caracterizadas por una dominancia inhibitoria y coherencia biológica, validando sus hallazgos mediante consenso entre modelos y experimentos CRISPRi.
Este artículo presenta un enfoque basado en aprendizaje automático interpretable que reduce la complejidad de los microbiomas a unos pocos grupos funcionales clave, permitiendo mapear sus respuestas a perturbaciones y descubrir mecanismos moleculares subyacentes en diversos entornos como el intestino, el océano y el suelo.