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.
Os autores apresentam o gemsparcl, uma ferramenta altamente escalável e eficiente que agrupa mais de 5,6 milhões de genomas bacterianos em 92.954 unidades genômicas coesivas ao nível de espécie em aproximadamente 14 horas, superando, desta forma, gargalos computacionais para permitir a análise abrangente e livre de referências da diversidade e taxonomia procariótica.
Este estudo demonstra que o significado biológico dos embeddings de modelos de linguagem de proteínas não é fixo, mas sim dependente da resolução, onde diferentes níveis de alinhamento com hierarquias biológicas preservam seletivamente distintas relações organizacionais, tais como fronteiras de membros, agrupamentos funcionais ou estruturas de famílias locais.
O WitChi é uma ferramenta computacionalmente eficiente que utiliza testes de qui-quadrado empíricos para detectar e podar iterativamente sítios composicionalmente enviesados de alinhamentos filogenômicos de larga escala, restaurando assim topologias filogenéticas precisas sem o alto custo computacional de modelos complexos que consideram a composição.
Este estudo demonstra que o AlphaFold2 e o ColabFold exibem uma taxa de falsos positivos muito baixa ao prever estruturas para sequências não proteicas, revelando serendipitamente que algumas previsões de alta pontuação em regiões genômicas humanas não codificantes correspondem a pseudogenes anteriormente não anotados, sugerindo potenciais erros nas anotações gênicas existentes e validando a utilidade de previsões estruturais de alta pontuação para investigações posteriores.
O ADMETron é uma plataforma SaaS impulsionada por IA que integra embeddings moleculares derivados de RNN com máquinas de boosting de gradiente para prever 34 endpoints e características de ADMET e apresenta uma ferramenta de visualização de gráfico de radar interativo, permitindo a priorização de compostos de alto rendimento e a tomada de decisão baseada em dados na descoberta de fármacos.
O MoE-Bind introduz a primeira arquitetura de Mistura de Especialistas esparsa para a geração de ligantes proteicos de novo, alcançando um design apenas de sequência mais rápido, mais eficiente e interpretável que iguala ou supera as bases densas sem exigir informações estruturais prévias.
Este artigo apresenta o Latent Event Mapping (LEMING), uma técnica de modelagem não supervisionada, escalável e interpretável que reconstrói trajetórias em nível de voxel de mudanças neuroimagem multimodais na doença de Alzheimer, revelando novos insights sobre mecanismos dependentes da progressão, como a associação de estágio tardio entre a densidade de receptores de acetilcolina e a patologia amiloide.
O artigo apresenta o STITCH, um método interpretável baseado em análise de componentes principais tangentes em uma variedade de Kendall que vincula efetivamente a morfologia celular independente de tamanho à expressão gênica em transcriptômica espacial, superando abordagens de aprendizado profundo existentes na identificação de relações biologicamente relevantes entre forma e transcriptoma através de diversos conjuntos de dados.
Este estudo introduz uma estrutura de predição conforme dividida aplicada à coorte BeatAML 2.0 que gera com sucesso intervalos de incerteza estatisticamente calibrados para predições de sensibilidade a drogas de AML em nível de paciente, revelando padrões de incerteza distintos entre classes de drogas ao mesmo tempo em que demonstra que tal incerteza é independente de classificações de risco molecular padrão.
O artigo apresenta o scCRAFT+, um modelo de integração de scRNA-seq semissupervisionado e robusto que utiliza o Treinamento Adversário Virtual para incorporar informações de genes marcadores, superando, assim, as limitações dos métodos existentes na preservação de distinções de subtipos celulares detalhadas e melhorando a precisão da anotação mesmo com conjuntos de marcadores ruidosos ou incompletos.