768 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.
Este estudo apresenta a primeira comparação abrangente de ferramentas de detecção de circRNAs em dados de sequenciamento de leitura longa do Oxford Nanopore, utilizando um novo framework de simulação de dados desenvolvido pelos autores para avaliar o desempenho de três ferramentas especializadas e destacar a necessidade de combinar abordagens para melhorar a precisão.
Este trabalho propõe um novo framework de aprendizado conjunto baseado em fatoração tensorial acoplada e informações auxiliares para prever simultaneamente combinações de drogas eficazes e interações entre elas, demonstrando desempenho superior, especialmente na previsão de novos fármacos, através de um algoritmo ADMM modificado.
O artigo apresenta o t2pmhc, uma rede neural gráfica baseada em estrutura que utiliza modelos de complexos TCR-pMHC para prever com maior precisão e generalização a ligação entre receptores de células T e antígenos, superando as limitações dos métodos baseados apenas em sequência.
O artigo apresenta o RigidSSL, um framework de pré-treinamento auto-supervisionado que integra aprendizado geométrico baseado em rigidez e dinâmica molecular para superar limitações atuais na geração de proteínas, resultando em designs mais viáveis, diversificados e biologicamente realistas.
O artigo apresenta o ProtNHF, um modelo generativo baseado em fluxos hamiltonianos neurais que permite o controle contínuo e quantitativo de propriedades de sequências proteicas durante a inferência, sem necessidade de retreinamento, ao incorporar funções de viés analíticas diretamente na dinâmica do Hamiltoniano.
O artigo apresenta o CellSweep, uma ferramenta eficiente e eficaz que supera outros métodos na remoção de contaminação ambiental e de massa em dados de genômica de célula única, garantindo análises downstream mais precisas.
Este estudo propõe e valida uma abordagem de divisão e fusão que permite o uso de tamanhos de janela variáveis em alinhamentos de genomas completos, superando as limitações dos métodos de janela fixa ao recuperar com maior precisão as topologias de árvores gênicas em cenários com taxas de recombinação heterogêneas.
O artigo apresenta o SLiMMine, uma ferramenta de aprendizado profundo que melhora a previsão de motivos lineares curtos (SLiMs) no proteoma humano, reduzindo significativamente falsos positivos e permitindo a descoberta de novos motivos e interações proteína-proteína específicas.
O artigo apresenta o Latent Space Dynamics (LSD), um modelo termodinâmico baseado em redes neurais que reconstrói trajetórias de diferenciação celular em um espaço latente, permitindo a previsão de destinos celulares, a análise de perturbações gênicas e a quantificação da plasticidade celular.
Os autores apresentam uma implementação do kallisto em GPU, que, ao redesenhar algoritmos centrais para execução paralela massiva, alcança um aceleramento de 30 a 50 vezes em comparação com a versão multithreaded em CPU, permitindo a quantificação de transcriptos de RNA-seq em segundos.