1250 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 ProtFlow, um modelo generativo baseado em *flow matching* que supera as limitações de centralização de distribuição de métodos anteriores ao aprender a organização semântica global de proteínas, permitindo a geração de alta qualidade de sequências funcionais, como peptídeos antimicrobianos, mesmo para funções raras e sub-representadas.
Este estudo apresenta um quadro robusto baseado em modelos de regressão linear para prever como as mutações somáticas em 560 genomas de câncer de mama alteram a ligação de fatores de transcrição, revelando que processos mutacionais específicos, como os associados à APOBEC e ao envelhecimento, reconfiguram sistematicamente as redes regulatórias gênicas de maneira dependente do subtipo tumoral.
Este estudo demonstra que as expectativas sobre modelos de previsão de respostas a perturbações em células únicas são excessivamente otimistas devido às falhas das métricas de avaliação atuais, propondo diretrizes robustas para um benchmarking confiável.
O estudo demonstra que, ao controlar fatores como a frequência alélica, os preditores computacionais de efeitos de variantes apresentam desempenho comparável entre diferentes grupos ancestrais, apoiando assim sua ampla aplicação responsável no diagnóstico genético.
Este trabalho apresenta uma estrutura baseada em física que discretiza sequências de proteínas em "palavras" evolutivas, permitindo a descoberta de novas funções biológicas, como o regulador ADMAP1, e o design programável de variantes proteicas funcionais.
O artigo apresenta o RNAiSpline, um modelo de aprendizado profundo que combina pré-treinamento auto-supervisionado com redes KAN, CNN e Transformer Encoder para prever com precisão a eficácia de siRNA, superando desafios como a escassez de dados e a baixa generalização de modelos existentes.
O artigo apresenta o TITAN-BBB, um modelo de aprendizado profundo multimodal que integra características tabulares, de imagem e de texto para prever a permeabilidade da barreira hematoencefálica com desempenho superior ao estado da arte, apoiado pelo maior conjunto de dados agregado até a data e disponibilizado publicamente.
O artigo apresenta o MolDeBERTa, um modelo fundamental auto-supervisionado para representação molecular que, ao incorporar informações estruturais e propriedades físico-químicas através de novos objetivos de pré-treinamento e uma tokenização em nível de byte, supera os modelos de linguagem existentes em diversas tarefas de descoberta de fármacos e materiais.
O artigo apresenta o FiCOPS, um framework computacional baseado em FPGA e desenvolvido por meio de co-design hardware/software que acelera a busca em bancos de dados de peptídeos para espectrometria de massa, alcançando um aumento de velocidade de 3,5 vezes em relação a soluções CPU e reduções significativas no consumo de energia.
O artigo apresenta o MW-RaMViD, um método baseado em difusão probabilística que corrige as distorções da cunha faltante em tomografia crioeletrônica gerando imagens de inclinação ausentes em nível 2D, demonstrando que tamanhos de passo menores e janelas de condicionamento maiores melhoram a fidelidade da reconstrução 3D.