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.
Este artigo apresenta uma estrutura computacional mínima e multiescala que aproveita a dinâmica proteica e mecanismos de ruptura recorrentes para identificar e priorizar sistematicamente alvos antimicrobianos para polifarmacologia racional, visando aumentar a eficácia terapêutica enquanto minimiza a toxicidade e o escape mutacional.
O artigo apresenta o gTranslate, uma ferramenta de aprendizado de máquina computacionalmente eficiente que prevê com precisão tabelas de tradução para genomas procarióticos sem classificação taxonômica prévia, alcançando mais de 99,99% de precisão e permitindo a descoberta de variações novas do código genético em linhagens bacterianas específicas.
Este estudo apresenta uma estrutura computacional que aproveita o modelo fundamental de DNA Evo2 para priorizar variantes regulatórias não codificantes no câncer colorretal, quantificando seu impacto nas sequências promotoras, identificando com sucesso candidatos de alto impacto enriquecidos em vias relevantes para o câncer e loci de GWAS sem depender de treinamento supervisionado ou anotações predefinidas.
O SQANTI-browser é um novo framework de visualização que integra dados de transcriptoma de leituras longas classificados pelo SQANTI3 no UCSC Genome Browser, permitindo filtragem interativa, curadoria guiada por evidências e a resolução de artefatos de alinhamento para recuperar isoformas novas acionáveis em diversos conjuntos de dados.
CARIBOU é um framework de IA multiagente projetado para análise bioinformática autônoma, iterativa e reproduzível em ambientes institucionais de computação de alto desempenho, utilizando planos editáveis por pesquisadores e estados executáveis persistentes para superar as limitações da geração de código estático no processamento de conjuntos de dados de ômicas de células únicas e espaciais em grande escala.
VaxjoOnto é uma nova estrutura que aproveita um grafo de conhecimento heterogêneo orientado por uma ontologia de vacinas e uma rede neural de grafos para priorizar efetivamente adjuvantes tanto para doenças conhecidas quanto para novas, abordando um gargalo crítico no desenvolvimento de vacinas ao deslocar o foco da descoberta de antígenos para a seleção de adjuvantes.
Este artigo apresenta o framework SBB (Sinal, Limites e Linhas de Base) para avaliar rigorosamente modelos de perturbação de células virtuais, revelando que métodos complexos de aprendizado profundo frequentemente falham em superar significativamente linhas de base lineares simples e destacando a necessidade de métricas padronizadas para distinguir o sinal biológico genuíno de artefatos estatísticos.
Este estudo estabelece uma estrutura de melhores práticas para a construção de redes de co-expressão gênica ponderadas multi-ômicas simultâneas para analisar a toxicidade e a recuperação da tireoide em um modelo de roedor, demonstrando que a concatenação de camadas ômicas não escalonadas preserva a estrutura biológica enquanto revela extensa perturbação molecular e restauração parcial por meio de análises complementares de preservação de módulos e conectividade diferencial.
A estrutura GAE-Δ aproveita um autoencoder de grafos para modelar o reconfiguração de redes gênicas específicas de fenótipos em dados multi-ômicos, alcançando previsão superior de resultados clínicos e identificando condutores de câncer biologicamente relevantes em comparação com métodos existentes de fatoração linear e baseados em redes.
O artigo apresenta o ALARMIST, uma estrutura probabilística que decifra motivos interpretáveis de comunicação multicelular a partir de dados de transcriptômica espacial para identificar padrões de sinalização de ordem superior e seus impactos fenotípicos downstream, demonstrando sua utilidade na descoberta de drivers microambientais da progressão tumoral no adenocarcinoma pulmonar e no glioblastoma.