869 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 OpenGerminal apresenta uma implementação totalmente de código aberto do pipeline de design de anticorpos Germinal que substitui componentes proprietários por uma pilha aberta e adota o AbLang1, alcançando taxas de aprovação de cofolding significativamente mais altas e uma acessibilidade de implantação mais ampla, mantendo simultaneamente métricas de confiança estrutural equivalentes.
O artigo argumenta que o desempenho preditivo estagnado na modelagem da penetração cutânea de peptídeos decorre de uma dependência mal formulada de rótulos de fluxo transdérmico confluentes que ignoram veículos de entrega e desfechos, propondo, em vez disso, uma abordagem reestruturada que separa o potencial intrínseco de travessia de barreira da retenção e do risco específicos de cada entrega.
O artigo apresenta o EnzymeArt, uma estrutura generativa condicionada à função que converte com sucesso descrições funcionais em enzimas validadas experimentalmente com atividade catalítica quantitativa através de múltiplas famílias de proteínas, alcançando um desempenho que frequentemente iguala ou excede as referências de tipo selvagem e comerciais.
Este artigo revisa criticamente e propõe estratégias de validação cruzada conscientes de homologia para abordar o vazamento de dados e garantir uma avaliação de generalização justa para métodos de predição de estrutura secundária de RNA baseados tanto em métodos clássicos quanto em aprendizado profundo.
O Bamsnap-LRS é uma ferramenta de linha de comando automatizada projetada para superar as limitações de escalabilidade e otimização de softwares de visualização existentes ao permitir a visualização em lote, de alto rendimento e pronta para publicação, de alinhamentos de sequenciamento de leitura longa com suporte para recursos específicos de leitura longa, inspeção de SNP faseado e diversas análises genômicas.
Como parte de uma disciplina de conclusão de curso da Universidade de Alberta, este artigo apresenta três modelos de aprendizagem profunda (ProMax, APEX e UltraMax) treinados em um conjunto de dados híbrido de aproximadamente um milhão de pares proteína-ligante para prever forças de ligação glicana-proteína quantitativas, ao mesmo tempo em que destaca os desafios impostos pelas distribuições de dados de cauda longa e pela utilização insuficiente de características quirais.
ComplexDesign é uma abordagem baseada em alucinação que utiliza otimização de sequência guiada pela predição de estrutura e um mecanismo de mascaramento especializado para projetar com sucesso complexos proteicos de múltiplas cadeias e ligantes flexíveis que unem múltiplos alvos, superando os métodos existentes tanto no design de multimeros incondicionais quanto na geração de complexos ternários.
fastQpick é uma ferramenta de linha de comando e biblioteca Python de código aberto que permite o reamostragem bootstrap eficiente e escalável de leituras FASTQ para quantificar a incerteza em dados brutos de sequenciamento, oferecendo múltiplos modos otimizados de memória para lidar com grandes bibliotecas.
O HoloCell é um modelo de fundação generativo de 860 milhões de parâmetros pré-treinado em um massivo corpus multiômico que unifica dados epigenômicos, transcriptômicos e proteômicos através de tokenização hierárquica e difusão iterativa para permitir o aprendizado de representação celular holística e a geração cross-modal flexível.
Este artigo demonstra que os designs de cabeças de saída para predição multilabel devem ser explicitamente escolhidos para refletir a estrutura biológica subjacente das comorbidades, conforme evidenciado por um campo aleatório condicional simétrico superando alternativas complexas nas complicações microvasculares interligadas do Diabetes Tipo 2, enquanto nenhuma arquitetura única se provou estável para as complicações eletrofisiológicas heterogêneas do infarto do miocárdio.