1197 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 RegimeFormer é um modelo de proteína de grande escala que, por meio de seu banco de dados associado RegimeAtlas de mais de 200 milhões de sequências, estabelece regimes de perturbação globais para prever efeitos de mutação em nível de resíduo e melhorar a modelagem biológica downstream, particularmente para proteínas e famílias não vistas.
Este artigo apresenta o Dynamic Hierarchical Interleaved Bloom Filter, uma estrutura de indexação escalável e atualizável que estende o estado da arte HIBF com reconstrução parcial para permitir a busca eficiente de sequências em larga escala, demonstrando a capacidade de indexar mais de 100 TB de dados de RNA-Seq e inserir novas amostras de 24 a 65 vezes mais rápido do que ferramentas concorrentes.
Vipsania é a primeira ferramenta de aprendizado profundo não supervisionado que prevê com precisão estruturas de genes codificadores de proteínas através de diversos genomas eucarióticos ao aprender diretamente de sequências não anotadas, superando assim as limitações de métodos supervisionados que exigem dados de treinamento de alta qualidade e têm dificuldade com clados distantes ou basais.
O PhageTransformer é um modelo de aprendizagem profunda que supera as limitações das ferramentas existentes ao fornecer previsões de hospedeiros para bacteriófagos de forma escalável, precisa e rápida, conforme demonstrado pelo seu desempenho superior em milhares de pares independentes fago-hospedeiro.
O artigo apresenta o morphOTU, um framework impulsionado por IA que deriva unidades de biodiversidade operacionais diretamente de imagens de espécimes usando aprendizado autossupervisionado e agrupamento hierárquico, permitindo a quantificação precisa da diversidade de espécies e a descoberta de padrões morfológicos mesmo na ausência de rótulos taxonômicos formais ou de dados de treinamento extensos.
O artigo apresenta o DeepTMHMM2, um novo preditor que alcança simultaneamente a predição precisa da topologia transmembrana — incluindo regiões reentrantes e hélices interfaciais anteriormente não modeladas — e a localização subcelular em 17 membranas biológicas, revelando a presença generalizada de segmentos de não-travessia no proteoma.
Este estudo apresenta um banco de dados XMAn atualizado que integra extensos dados de mutação do COSMIC para criar repositórios de peptídeos especializados, permitindo a identificação por espectrometria de massa de peptídeos mutados associados ao câncer que são tipicamente perdidos por bancos de dados de proteínas canônicos padrão.
Este artigo apresenta um framework híbrido que combina um Autoencoder Variacional para gerar trajetórias longitudinais sintéticas a partir de dados transversais de câncer renal com um sistema de indução de regras simbólicas para produzir previsões probabilísticas interpretáveis da progressão da doença que igualam a precisão do aprendizado profundo, ao mesmo tempo em que oferecem insights transparentes e legíveis por humanos sobre os mecanismos moleculares subjacentes.
O HIDE-Deconv é um framework de desconvolução hierárquica de código aberto que otimiza conjuntamente estimativas de composição celular através de múltiplos níveis de resolução para revelar o remodelamento celular biologicamente relevante em doenças como adenocarcinoma pulmonar e sepse, superando métodos existentes de resolução única.
O artigo apresenta o evoPLM-Tree, um modelo de linguagem condicional consciente de árvores que integra o contexto filogenético para prever com precisão padrões mutacionais virais e trajetórias evolutivas específicas de linhagens, demonstrando um forte alinhamento com restrições funcionais experimentais.