1235 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 calibra oito ferramentas computacionais para classificar variantes de inserção e deleção em quadro (in-frame) de acordo com as diretrizes ACMG/AMP, estabelecendo limiares de pontuação para uso clínico e demonstrando seu valor, embora com desempenho inferior aos preditores de variantes missense.
Este estudo demonstra que, em coortes pan-câncer heterogêneas, a integração de características genômicas, como a carga mutacional tumoral, oferece ganhos marginais na previsão de sobrevivência com imunoterapia, pois o desempenho do modelo é dominado por variáveis clínicas.
O artigo apresenta uma nova versão do immuneML que estabelece um quadro unificado para aprendizado de máquina não supervisionado em receptores imunes adaptativos, oferecendo fluxos de trabalho integrados para agrupamento, modelagem generativa e visualização, e demonstrando sua utilidade em três casos de uso que avaliam a geração de sequências, a eficácia do agrupamento biológico e a detecção de fatores de confusão em dados experimentais.
O artigo apresenta o LagCI, uma nova ferramenta computacional em R que permite inferir relações causais temporais a partir de séries temporais densas de dados multi-ômicos, superando as limitações de métodos existentes ao identificar interações direcionadas e hubs moleculares que orquestram respostas biológicas.
Este estudo demonstra que a incorporação de estrutura espacial em modelos de dinâmica microbiana resolve a discrepância entre previsões teóricas e observações empíricas, revelando que a distribuição gama de abundância de espécies surge da agregação espacial de comunidades fragmentadas e não necessariamente de mecanismos biológicos locais específicos.
O estudo apresenta o embeRNA, uma ferramenta baseada em redes neurais que prevê o potencial funcional de microrganismos diretamente a partir da composição de k-mers do RNA 16S, superando métodos baseados em referência ao lidar eficazmente com micróbios não caracterizados e ambientes pouco estudados.
Este artigo demonstra que uma estratégia de aprendizado ativo baseada em amostragem de Thompson, combinada com o AlphaFold2, permite explorar eficientemente bibliotecas de peptídeos e identificar uma fração significativa de ligantes com muito menos consultas do que a amostragem exaustiva ou aleatória.
Este trabalho apresenta o SCRU-DB, um banco de dados abrangente de Unidades de RNA Autocontidas (SCRUs), e dois modelos de aprendizado profundo (SCRU-Seq e SCRU-Diff) que superam as limitações de dados e escalabilidade dos métodos atuais para o design direto de sequências de RNA com alta fidelidade estrutural.
O artigo apresenta o NetSyn, uma ferramenta bioinformática que agrupa famílias de proteínas com base na conservação do contexto genômico (sintenia) em vez de apenas na similaridade de sequência, permitindo a descoberta de novos grupos isofuncionais, a identificação de interações entre enzimas não homólogas e a correção de erros de anotação em genomas procarióticos.
Este artigo apresenta o ViScore, um framework de avaliação robusto, e o ViVAE, um modelo de aprendizado profundo interpretável, para melhorar a preservação de estruturas multi-escala e a confiabilidade das técnicas de redução de dimensionalidade em dados de transcriptômica de célula única (scRNA-seq).