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 SPARKLE é um método computacional rápido e livre de referência que corrige o vazamento local de RNA em transcriptômica espacial de alta resolução ao aproveitar evidências dentro da amostra fora da máscara para estimar e remover sinais ectópicos, melhorando assim a localização de tipos celulares e a confiabilidade da análise downstream.
Este estudo introduz um novo ensemble de rede convolucional de grafos relacionais (RGCN) de fusão tardia que integra dados de RNA endógeno competidor (ceRNA) e de variação do número de cópias (CNV) para identificar cinco biomarcadores prognósticos, incluindo hsa-miR-196a e hsa-miR-224, para a melhoria da predição de sobrevida e do direcionamento terapêutico no glioblastoma.
O GlycoMeSH é um recurso abrangente que preenche a lacuna entre as estruturas de glicanos e o contexto biomédico ao vinculá-los aos Descritores em Ciências da Saúde (MeSH) por meio de um modelo de inferência e um banco de dados rastreável, permitindo, assim, a análise de enriquecimento sistemático em conjuntos de dados de glicociência.
O PandaDock é uma plataforma de docking molecular de código aberto que integra a busca conformacional de ligantes flexíveis com gradientes analíticos, módulos especializados para cenários de ligação complexos e uma função de pontuação de rede neural equivariante SE(3) escalável para alcançar um desempenho competitivo de recuperação de pose e predição de afinidade em diversos alvos proteína-ligante.
O artigo apresenta o Mantpy, uma estrutura de proteômica espacial que representa a matriz extracelular e sua interface com as células como grafos espaciais para permitir análise conjunta, visualização e aprendizado de máquina além das abordagens tradicionais centradas em células.
O PerturbLDM é um framework de difusão latente condicional pré-treinado no conjunto de dados Tahoe-100M que supera os métodos existentes na predição e geração precisa de respostas transcricionais de célula única para combinações inéditas de fármaco, dose e linhagem celular através de diversos contextos biológicos.
Este artigo demonstra que a aplicação de predição conformal ao relógio epigenético BayesAge permite a geração de intervalos de predição calibrados e livres de distribuição para a estimativa de idade baseada em metilação do DNA utilizando um conjunto mínimo de sítios CpG, abordando, desta forma, a falta de quantificação de incerteza nos modelos existentes de estimativa pontual.
Este artigo demonstra que a detecção de sítios de ligação crípticos é atualmente limitada não pela capacidade de propor candidatos, mas pelo ranking deficiente e pela falta de consenso, revelando que separar métricas de cobertura de conversão descobre lacunas de desempenho significativas e mostra que combinar detectores baseados em geometria e em modelos de linguagem dentro de um orçamento estrito de candidatos produz as melhorias mais práticas.
Os autores introduzem o ProtInt, um framework de aprendizado profundo que integra com sucesso dados proteômicos de linhagens de células cancerígenas e tumores de pacientes ao superar desafios de valores ausentes, superando, assim, os métodos existentes e revelando mudanças biológicas fundamentais necessárias para alinhar melhor os modelos pré-clínicos com a realidade clínica.
Este estudo de benchmarking sistemático revela que a escolha do método computacional, em vez da biologia subjacente, é o principal determinante dos resultados de perturbação in silico, uma vez que a maioria das abordagens amplamente utilizadas falha em detectar sinais causais de fator de transcrição para via e frequentemente produz conclusões que contradizem a validação experimental por CRISPRi.