1012 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 PerturbLDM é um framework de difusão latente condicional pré-treinado no conjunto de dados Tahoe-100M que supera os métodos existentes na predição e geração precisa de respostas transcricionais de célula única para combinações inéditas de fármaco, dose e linhagem celular através de diversos contextos biológicos.
Este artigo demonstra que a aplicação de predição conformal ao relógio epigenético BayesAge permite a geração de intervalos de predição calibrados e livres de distribuição para a estimativa de idade baseada em metilação do DNA utilizando um conjunto mínimo de sítios CpG, abordando, desta forma, a falta de quantificação de incerteza nos modelos existentes de estimativa pontual.
Este artigo demonstra que a detecção de sítios de ligação crípticos é atualmente limitada não pela capacidade de propor candidatos, mas pelo ranking deficiente e pela falta de consenso, revelando que separar métricas de cobertura de conversão descobre lacunas de desempenho significativas e mostra que combinar detectores baseados em geometria e em modelos de linguagem dentro de um orçamento estrito de candidatos produz as melhorias mais práticas.
Os autores introduzem o ProtInt, um framework de aprendizado profundo que integra com sucesso dados proteômicos de linhagens de células cancerígenas e tumores de pacientes ao superar desafios de valores ausentes, superando, assim, os métodos existentes e revelando mudanças biológicas fundamentais necessárias para alinhar melhor os modelos pré-clínicos com a realidade clínica.
Este estudo de benchmarking sistemático revela que a escolha do método computacional, em vez da biologia subjacente, é o principal determinante dos resultados de perturbação in silico, uma vez que a maioria das abordagens amplamente utilizadas falha em detectar sinais causais de fator de transcrição para via e frequentemente produz conclusões que contradizem a validação experimental por CRISPRi.
Este artigo demonstra que o pré-treinamento cross-modal de um modelo de fundação de célula única com dados de proteômica produz representações de nível de gene e de nível de célula superiores e uma melhor generalização do que simplesmente escalar modelos de apenas RNA, destacando o valor do treinamento multimodal sobre o escalonamento de parâmetros isoladamente.
Este artigo apresenta o "sigRecon", um framework de benchmarking abrangente e um pacote R de código aberto que avalia sistematicamente métodos para prever assinaturas de perturbação em diversos contextos biológicos, revelando que abordagens de projeção e baseadas em redes frequentemente igualam ou superam modelos complexos de aprendizado profundo, ao mesmo tempo em que destacam fatores fundamentais que influenciam a generalização entre contextos.
O Cell-Hub é uma interface gráfica gratuita, de código aberto e baseada em Docker, construída sobre R/Shiny, que democratiza a análise de sequenciamento de RNA de célula única de ponta a ponta ao integrar ferramentas avançadas como Seurat 5, CellChat 2 e Monocle 3 em uma plataforma unificada e sem necessidade de codificação para pesquisadores de todos os níveis de conhecimento computacional.
Este estudo demonstra que o uso de referências de consenso IUPAC com o alinhador sensível à ambiguidade novoAlign melhora significativamente a detecção de variantes de leitura curta em regiões genômicas clinicamente desafiadoras em comparação com referências lineares padrão, ao mesmo tempo em que introduz o framework de código aberto BurdenBench para avaliar melhor as compensações de precisão-revocação específicas de cada chamador e o benefício clínico líquido.
O artigo apresenta o "disize", um novo método de normalização de RNA-seq que aproveita as informações do delineamento experimental por meio de um modelo linear generalizado misto modificado para estimar os fatores de tamanho de forma mais precisa e melhorar a análise de expressão diferencial subsequente, particularmente em cenários desafiadores com mudanças de expressão generalizadas.