769 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 OT-knn, um novo framework de transporte ótimo que utiliza informações de vizinhança local para alinhar de forma robusta dados de transcriptômica espacial, superando desafios como ruído, heterogeneidade biológica e distorções geométricas em diversos tecidos e espécies.
O artigo apresenta a atualização do framework de simulação de sequências virais dentro do hospedeiro, wavess 1.2, que incorpora uma resposta imune mediada por linfócitos T citotóxicos (CTL) dependente de HLA e permite taxas de recombinação variáveis para modelar com maior precisão a evolução viral e a diversificação de sequências.
Este estudo pioneiro analisa sistematicamente a literatura científica sobre sondas químicas, demonstrando que elas fornecem evidências funcionais críticas que antecedem os bancos de dados estruturados em até sete anos e revelam novas associações alvo-doença com potencial para o reposicionamento terapêutico.
Este estudo demonstra que a análise pós-hoc de modelos de aprendizado de máquina, utilizando ferramentas como SHAP, é essencial para identificar vieses ocultos em conjuntos de dados biológicos limitados — como a classificação acidental de indivíduos em vez de processos de regeneração tecidual — permitindo, ao mesmo tempo, extrair informações biológicas relevantes quando a tarefa é adequadamente alinhada com as capacidades dos dados.
Este estudo apresenta um novo quadro multimodal que utiliza variações de repetições curtas em tandem (STRs) em todo o genoma, incluindo um modelo de fatoração de matriz não negativa direcional (dNMF), para inferir a estrutura populacional humana com resolução significativamente superior à obtida com polimorfismos de nucleotídeo único (SNPs), revelando padrões demográficos finos e biologicamente interpretáveis.
O artigo apresenta o ProteinConformers, um recurso de larga escala que oferece 2,7 milhões de conformações de proteínas otimizadas geometricamente, acompanhadas de avaliações energéticas e anotações de similaridade, para descrever paisagens conformacionais e fornecer um framework de referência para a geração de múltiplas conformações.
Este estudo define o receptor AGTR1 como um marcador específico de pericitos pulmonares e demonstra que a sinalização da angiotensina regula o comportamento desses pericitos, influenciando a reparação do microambiente alveolar em doenças como a DPOC e o envelhecimento.
Este estudo desenvolveu uma ferramenta para identificar motivos topológicos de inversões em grafos de pan-genoma e revelou que as pipelines atuais apresentam desempenho inconsistente em simulações e taxas de recuperação alarmantemente baixas em dados reais de humanos, destacando desafios significativos na análise dessas variantes estruturais.
Este estudo demonstra que modelos de fundação de DNA pré-treinados, especialmente o HyenaDNA, superam métodos especializados na previsão precisa e eficiente de sítios de ligação de fatores de transcrição em genomas de plantas, oferecendo uma solução escalável para a compreensão da regulação gênica em diferentes espécies.
Este estudo demonstra que a qualidade dos dados moleculares e de imagem, influenciada pelas tecnologias de transcriptômica espacial, impacta significativamente o desempenho e a interpretabilidade dos modelos de aprendizado profundo para prever expressão gênica a partir de imagens histológicas, sugerindo que a melhoria da qualidade dos dados é uma estratégia tão crucial quanto o ajuste da arquitetura do modelo.