763 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.
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.
Este artigo apresenta uma otimização sistemática da plataforma CycloneSEQ, integrando o processamento experimental de amostras com fluxos de trabalho de montagem computacional para superar as limitações do sequenciamento de leituras curtas e melhorar significativamente a recuperação de genomas microbianos completos a partir de metagenômica intestinal de leituras longas.
Este artigo revela que o vazamento de dados induzido por homologia infla sistematicamente o desempenho de modelos de sequência treinados em genomas, ao fazê-los depender de associações memorizadas em vez de princípios generalizáveis, e propõe a ferramenta hashFrag para permitir a partição de dados consciente de homologia, visando uma avaliação mais confiável e uma melhor generalização do modelo.
Este estudo introduz um quadro computacional sistemático que integra a fosfoproteômica com resolução temporal com um algoritmo de Busca por Feixe guiado por BFS para reconstruir redes de sinalização de EGFR específicas de tipo celular, revelando com sucesso como a inibição de SHP2 reconfigura as arquiteturas de vias e impulsiona mecanismos de resistência adaptativa.
Este artigo apresenta uma estrutura Text-to-Target consciente da proveniência que integra a recuperação de modelos de linguagem grandes com restrições de esquema e a análise de dados ômicos numéricos para gerar alvos de doenças e estratégias de descoberta de fármacos interpretáveis e prontos para auditoria, demonstrando validação significativa na doença de Alzheimer e no adenocarcinoma ductal pancreático.
Este estudo integra dados multi-ômicos para desenvolver e validar uma assinatura prognóstica de 15 genes otimizada e um nomograma clínico-genômico que preveem com precisão os desfechos de sobrevivência em pacientes com câncer de mama triplo-negativo.
Este artigo introduz objetivos contrastivos assimétricos, incluindo uma variante do SPC inspirada geometricamente que incorpora metadados experimentais como vetores de classe aprendidos, para extrair eficientemente representações de imagem para triagem fenotípica que superam métodos anteriores em múltiplos conjuntos de dados e métricas, mantendo-se eficazes com dados e recursos computacionais limitados.
Este artigo apresenta o TEA, um novo alfabeto proteico de 20 letras derivado de incorporações de modelos de linguagem por meio de aprendizado contrastivo, que permite a detecção rápida e sensível de homologia remota, rivalizando com métodos baseados em estrutura enquanto aproveita algoritmos de busca por sequência existentes.
Este artigo revela que o uso generalizado de testes estatísticos inválidos que ignoram a dependência entre as dobras da validação cruzada no aprendizado de máquina biomédico leva a taxas infladas de falsos positivos, levando os autores a propor o teste SHARP como uma solução robusta e a fornecer novas diretrizes de relato para comparação válida de modelos.