1242 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 artigo apresenta o PSALM, um novo método de anotação de domínios proteicos que combina um modelo de linguagem pré-treinado (ESM-2) com um classificador e um decodificador probabilístico estruturado, alcançando um desempenho comparável ao HMMER em benchmarks de larga escala e oferecendo maior cobertura em limiares de confiança mais relaxados.
Este estudo apresenta a "substitutômica de aminoácidos", uma nova abordagem baseada em dados proteômicos que revela a prevalência de substituições pós-traducionais não detectadas por genômica e identifica mecanismos biológicos cruciais, como resistência a drogas e escape imune, em cinco tipos de câncer.
Este estudo bioinformático demonstra que a superexpressão do gene ITGB1 está associada a um prognóstico desfavorável e à resistência terapêutica em múltiplos tipos de câncer, sugerindo seu potencial como biomarcador e alvo molecular para novas estratégias de tratamento.
Esta revisão sistemática analisa a aplicação de métodos de aprendizado de representação profunda, especialmente autoencoders variacionais, em estudos de ômicas do câncer, destacando que, embora amplamente utilizados para subtipagem e prognóstico, essas abordagens raramente capturam a dinâmica temporal da doença devido à escassez de dados longitudinais, sugerindo o uso de VAEs como modelos generativos para avançar na compreensão da progressão e estadiamento do câncer ao longo do tempo.
O artigo apresenta o EnzyGen2, um modelo de fundação de proteínas de 730 milhões de parâmetros que co-projeta sequências e estruturas de enzimas *de novo* guiadas por ligantes, superando métodos existentes em benchmarks computacionais e demonstrando atividade catalítica experimentalmente validada com alta novidade sequencial.
O artigo apresenta o Flipper, um novo framework robusto baseado no DESeq2 que supera as limitações das ferramentas atuais ao permitir uma análise estatística rigorosa e específica de mudanças no ligação de proteínas de ligação a RNA (RBP) em dados eCLIP, integrando controles de entrada e estratégias de normalização hierárquica para distinguir alterações reais de ligação de efeitos de expressão gênica.
O artigo apresenta o CCIDeconv, um modelo hierárquico que permite inferir interações célula-célula em regiões subcelulares específicas (como núcleo e citoplasma) a partir de dados de transcriptômica de célula única não espaciais, utilizando um modelo de aprendizado de máquina treinado em dados de transcriptômica espacial subcelular.
Utilizando modelagem de manifold latente em dados de RNA de célula única, este estudo demonstra que a periodontite severa apresenta histerese transcricional irreversível e uma perda crítica de acoplamento celular, quantificada pelo novo Índice de Permissão Regenerativa (RPI), o que indica que intervenções biomateriais convencionais falharão em casos avançados da doença.
O artigo apresenta o BlueSTARR, um framework de aprendizado profundo retrainável que utiliza dados de ensaios de repórter de genoma inteiro (STARR-seq) para prever os efeitos de variantes não codificantes, revelando assinaturas de seleção purificadora e demonstrando a capacidade de aprender padrões de ligação dependentes de tratamento e distância para priorizar variantes regulatórias.
O artigo apresenta o IDBSpred, uma ferramenta baseada em aprendizado de máquina e no modelo de linguagem de proteínas ESM-2 que prevê com precisão os sítios de ligação de proteínas intrinsecamente desordenadas em parceiros estruturados, oferecendo um quadro prático para o estudo dessas interfaces e a identificação de alvos terapêuticos.