1199 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 GPCT, um modelo de transformador pré-treinado e interpretável que supera as limitações de variabilidade de marcadores na citometria de fluxo, permitindo modelagem preditiva escalável em nível de amostra e validação biológica direta através de representações celulares transferíveis.
O artigo apresenta o DESPOT, um novo modelo de potenciais baseados em conhecimento que supera as limitações isotrópicas ao incorporar dependências direcionais e exclusão estérica, demonstrando desempenho superior na discriminação de poses e triagem virtual ao capturar preferências geométricas específicas das interações proteína-ligante.
O artigo apresenta o TRACE, um framework multimodal que utiliza alinhamento contrastivo para estabilizar a previsão de ligação TCR-peptídeo ao mitigar o ruído das estruturas preditas, demonstrando que a integração controlada de modalidades imperfeitas é essencial para superar o desempenho de modelos baseados apenas em sequência.
Este estudo apresenta o MAPPER, um framework escalável que utiliza perfis de resposta celular multimodais em *Escherichia coli* para prever com precisão o modo de ação de antibióticos e identificar compostos com mecanismos de ação inovadores.
O artigo apresenta o EMITS, uma ferramenta em Rust que utiliza o algoritmo de Expectativa-Maximização para estimar com precisão a abundância de espécies fúngicas em comunidades de sequenciamento de amplicons ITS de leitura longa, superando as limitações das classificações por melhor correspondência através da resolução de mapeamentos ambíguos e da agregação de entradas redundantes em bancos de dados.
Este estudo demonstra que modelos de aprendizado de máquina clássicos e híbridos, baseados em características TF-IDF de k-mers, superam abordagens de aprendizado profundo na classificação de variantes do SARS-CoV-2 em cenários de dados genômicos desbalanceados, oferecendo uma solução robusta e interpretável para a detecção de variantes raras.
Este estudo demonstra que, embora as estimativas de herdabilidade baseada em SNPs variem significativamente dependendo da configuração metodológica utilizada, essa variabilidade upstream tem um impacto mínimo e não significativo no desempenho final das pontuações de risco poligênico (PRS).
Os autores desenvolveram um novo modelo matemático que integra dados de bioensaios de dose de intensidade para quantificar a heterogeneidade da resistência a inseticidas em populações de mosquitos na África, permitindo prever com maior precisão a eficácia das redes mosquiteiras e o impacto na saúde pública.
Este trabalho apresenta um método de aprendizado profundo baseado em redes neurais convolucionais (CNN) que, utilizando sequências do genoma humano GRCh38 e vetores TF-IDF, alcança desempenho de ponta na identificação precisa de genes e pseudogenes associados a distúrbios genéticos.
Este estudo avalia rigorosamente sete metodologias de ponta para a remoção de RNA ambiental em dados de sequenciamento de RNA de células e núcleos únicos, concluindo que, embora não exista um método superior universal, o CellBender, o DecontX e o SoupX apresentam desempenho geralmente robusto.