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 FLAG-X, um pacote Python que preenche a lacuna entre a análise de citometria de fluxo manual e automatizada ao integrar métodos de aprendizado de máquina de última geração com anotações de especialistas em fluxos de trabalho híbridos, abordando, assim, a falta de padronização e eficiência na rotina clínica de gating.
O artigo apresenta o cryoPARES, um método de aprendizado profundo supervisionado que acelera o alinhamento de imagens de criomicroscopia eletrônica (Cryo-EM) e permite a determinação estrutural automatizada e em tempo real para a descoberta de fármacos, ao aproveitar informações prévias de pose e eliminar a intervenção manual.
Este estudo aborda os desafios de reprodutibilidade da Amplificação Isotérmica Mediada por Loop (LAMP) colorimétrica através do desenvolvimento de um modelo de classificação de aprendizado de máquina que utiliza características termodinâmicas e de sequência, particularmente dos primers F1c e B1c, para prever o sucesso do ensaio e melhorar a fidelidade do design de primers.
Este estudo demonstra que a tecnologia de calibração intra-lâmina, quando combinada com análise computacional, melhora significativamente a harmonização e a reprodutibilidade de ensaios imuno-histoquímicos de p53 entre diferentes laboratórios de patologia anatômica, apoiando, assim, uma tomada de decisão diagnóstica mais objetiva em neuro-oncologia.
O DDI_single é um novo algoritmo baseado em sequência única que aproveita o modelo de linguagem de proteína ESM-1b e um módulo de atenção cruzada com portão para prever com precisão as interações entre resíduos de domínios, alcançando assim uma precisão superior na montagem de estruturas de proteínas multidomínio em comparação com métodos existentes como o trRosettaX_single.
Este estudo introduz um modelo de aprendizagem profunda que traduz com sucesso mapas de topografia cerebral individualizados em conectomas funcionais, estabelecendo assim uma ligação direta entre a organização espacial e a conectividade de rede para unificar diversas perspectivas de pesquisa de rsfMRI.
O artigo apresenta uma versão atualizada do recurso TRACEY que melhora significativamente a anotação de domínios proteicos SNARE ao incorporar um conjunto de dados não redundante e vastamente expandido de quase 19.000 sequências curadas para gerar perfis HMM aprimorados e uma interface web redesenhada para uma detecção mais precisa de paralogos divergentes e específicos de linhagem.
Este estudo demonstra que o jejum agudo induz mudanças pequenas e sistemáticas em relógios epigenéticos específicos — particularmente variantes baseadas em PC e SystemsAge — impulsionadas pela redistribuição de células imunes, enquanto relógios treinados por mortalidade permanecem estáveis, destacando que a confiabilidade do relógio é dependente de contexto e requer uma avaliação específica para cada perturbação além das métricas padrão de ICC.
O artigo apresenta o CLASPP, um modelo unificado para prever diversas modificações pós-traducionais que supera desafios de desequilíbrio de dados por meio de aprendizado contrastivo, curadoria de dados hierárquica e uma estratégia de treinamento em múltiplos estágios para melhorar a precisão da previsão em vários organismos.
O BacteReason é um modelo de linguagem de grande escala ajustado que prevê a suscetibilidade bacteriana a antibióticos e fornece justificativas mecanísticas ao alavancar um modelo professor fundamentado em conhecimento, resultando em uma melhoria significativa na precisão da previsão em relação às abordagens de base.