1012 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.
Os autores desenvolveram o "plant", um método computacional de novo análogo à cromatografia que permite a comparação, anotação e quantificação de domínios proteicos em transcriptomas de organismos não modelo sem exigir um genoma de referência, conforme demonstrado por meio de uma análise de espécies de *Selaginella* utilizando dados de RNA-seq do projeto 1KP.
Este artigo demonstra que um esquema de dados genérico aprimorado garante com sucesso a vinculação de alta fidelidade e a rastreabilidade robusta de amostras em estudos complexos, multiequipes e multietapas de vetores de malária na Tanzânia, alcançando uma integração de dados quase perfeita desde a coleta de campo até a criação em insetário e a análise laboratorial.
Este estudo revela que tanto a motilidade baseada em arquelo como os sistemas quimiossensoriais do tipo F1 foram provavelmente transferidos de Archaea para bactérias Chloroflexota por transferência horizontal de genes, estabelecendo uma trajetória evolutiva compartilhada entre esses domínios distintos.
CardioSafe é uma rede neural multi-tarefa que integra características químicas e transcriptômicas para prever a atividade de canais iônicos cardíacos, demonstrando desempenho superior aos métodos existentes após uma auditoria de vazamento reverso ter revelado e removido a contaminação dos dados de treinamento que anteriormente inflacionava os resultados de benchmark para os canais Nav1.5 e Cav1.2.
Este estudo utiliza simulações de dinâmica molecular não enviesadas para quantificar a energia de inserção de 28 análogos de aminoácidos em uma bicamada de POPC, gerando potenciais de força média dependentes da profundidade que reproduzem com sucesso as escalas experimentais de hidrofobicidade e elucidam os papéis termodinâmicos dos estados de protonação e da orientação aromática.
CausalKnowledgeTrace é um framework computacional escalável baseado em Python que automatiza a construção de gráficos causais baseados em evidências a partir da literatura biomédica para identificar sistematicamente fatores de confusão e estruturas de viés, visando melhorar a inferência causal em estudos observacionais.
O artigo apresenta o MucOneUp, um framework de simulação especializado projetado para gerar conjuntos de dados de referência para avaliar o desempenho de ferramentas de chamada de variantes na detecção de mutações de deslocamento de quadro MUC1-VNTR em múltiplas plataformas de sequenciamento.
Este estudo demonstra que a falta de metodologia padronizada na detecção de genes de resistência a antibióticos leva a discrepâncias massivas entre os pipelines, fazendo com que os mesmos dados metagenômicos produzam interpretações biológicas conflitantes e sublinhando a necessidade de os pesquisadores justificarem e comunicarem cuidadosamente suas abordagens analíticas escolhidas.
Este estudo demonstra que modelos de linguagem grandes de pesos abertos, particularmente o Qwen2.5-32B-Instruct, podem prever efetivamente interações letais sintéticas ao aproveitar conhecimento biológico pré-treinado para superar o acaso aleatório e métodos não baseados em LLM, oferecendo uma alternativa escalável e interpretável para priorizar novos alvos terapêuticos no câncer.
Este artigo apresenta os fluxos de Normalização Multivista Alinhada no Latente (LAMNr), um framework de aprendizado profundo que aprende subespaços latentes compartilhados entre conjuntos de dados multimodais heterogêneos para permitir modelagem de verossimilhança exata, imputação intervisão em forma fechada e uma interpretação de anatomia computacional de templates populacionais e interpolação geodésica, apoiado por uma implementação abrangente de código aberto em PyTorch integrada ao ecossistema ANTsX.