996 artigos
A bioinformática une biologia e computação para desvendar os mistérios da vida através de dados. Nesta área, pesquisadores transformam sequências genéticas complexas em informações compreensíveis, permitindo descobertas rápidas sobre doenças, evolução e tratamentos personalizados sem depender apenas de laboratórios físicos.
No Gist.Science, processamos diariamente cada novo pré-publicação na categoria de bioinformática enviada pelo bioRxiv. Nosso compromisso é tornar esse conhecimento acessível, oferecendo tanto resumos em linguagem simples para o público geral quanto análises técnicas detalhadas para especialistas, garantindo que ninguém fique de fora das últimas inovações científicas.
Abaixo, você encontrará as últimas pesquisas publicadas nesta área, organizadas para facilitar sua leitura e compreensão dos avanços recentes.
O artigo apresenta o pydreg, uma reimplementação em Python rápida e de fácil manutenção do algoritmo dREG para identificar elementos cis-regulatórios ativos a partir da transcrição nascente, que reduz significativamente o tempo de execução e o uso de memória, preservando a precisão e a compatibilidade do método original com a infraestrutura computacional moderna.
Ao comparar bibliotecas de DNA antigo correspondentes, tanto com UDG total quanto sem UDG, de indivíduos mongóis medievais, este estudo demonstra que, embora vários métodos de correção de danos computacionais (decapagem, reescalonamento e mascaramento) equilibrem diferencialmente a retenção de sítios em relação à redução de erros, a escolha ideal depende da análise subsequente específica, sendo que os dados corrigidos provaram ser essenciais para a inferência precisa de parentesco em bibliotecas sem UDG.
Este artigo apresenta uma estrutura escalável integrada ao pacote DMRcaller que aproveita o sequenciamento nativo da Oxford Nanopore para quantificar a heterogeneidade da metilação de DNA de molécula única e detectar loci com co-metilação, revelando padrões epigenéticos e interações regulatórias obscurecidos pelas tradicionais análises de média ao nível do sítio.
Este artigo apresenta uma metodologia para reconstruir o espaço de busca experimental de triagens de interação proteína-proteína (PPI) para inferir pares de proteínas provavelmente não interagentes, permitindo assim uma melhor estimativa da taxa de erro, calibração de modelos e treinamento de aprendizado de máquina aprimorado para um mapeamento mais preciso e completo do interatoma humano.
O artigo apresenta o Inverse FoldDir, um método de dobramento inverso controlável baseado em Dirichlet flow matching que gera sequências de proteínas diversas e experimentalmente validadas com restrições definidas pelo usuário ao realizar a denoising iterativa no simplex de probabilidade de aminoácidos, alcançando métricas de recuperação estrutural de estado da arte e o redesenho funcional bem-sucedido de um nanocorpo anti-GFP.
Este estudo introduz o framework de Neural ODE sensível a perturbações (pNODE), que supera modelos tradicionais ao prever com precisão a dinâmica do microbioma intestinal e prever infecções de origem intestinal na corrente sanguínea em pacientes com câncer submetidos ao transplante alogênico de células hematopoiéticas através da integração de abundâncias microbianas e perturbações de antibióticos resolvidas no tempo.
Este estudo avalia sistematicamente pipelines de chamada de variantes pequenas e de faseamento de haplótipos para sequenciamento de RNA de leitura longa através de diversos conjuntos de dados e tecnologias, revelando que a qualidade do sequenciamento é o principal determinante de desempenho, ao mesmo tempo em que identifica o Clair3-RNA, o DeepVariant e o longcallR como os principais chamadores, e o WhatsHap ou o HapCUT2 como ferramentas de faseamento ideais dependendo do contexto específico.
Este estudo demonstra que, embora os classificadores de aprendizagem profunda para sequências de ITS fúngico alcancem alta precisão em referências de comprimento total, eles falham dramaticamente na subregião ITS2 comumente utilizada ao dependerem de regiões flanqueadoras em vez do próprio código de barras, fazendo com que os métodos de linha de base clássicos superem significativamente os modelos de aprendizagem profunda em cenários realistas de metabarcoding ambiental.
O artigo apresenta o Cavebear, um framework de aprendizado de máquina que aproveita dados de séries temporais de scRNA-seq de referência de uma espécie ou condição para inferir com precisão o pseudotempo e mapear o envelhecimento biológico ou a progressão de doenças em contextos de consulta que carecem de rótulos temporais confiáveis.
Esta pesquisa demonstra que o Hamiltonian Auto Decomposition Optimisation Framework (HADOF) pode superar as atuais limitações do hardware NISQ para montar com sucesso um genoma de 7,1 milhões de pares de bases de *Pseudomonas aeruginosa* em hardware quântico real, alcançando uma fração genômica de 99,348% e provando a viabilidade da otimização quântica escalável para cargas de trabalho científicas de grande escala.