💻 Category

bioinformatics

1018 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.

💻 bioinformatics

Evaluating Few-Shot Meta-Learning using STUNT for Microbiome-Based Disease Classification

Este estudo avalia o framework STUNT para classificação de doenças baseada no microbioma em cenários de poucos exemplos, descobrindo que suas representações meta-aprendidas oferecem apenas um benefício marginal em condições de extrema escassez de dados e, na verdade, prejudicam o desempenho à medida que mais amostras estão disponíveis, devido a um gargalo de informação que limita o acesso a sinais específicos da tarefa.

Peng, C., Abeel, T.2026-03-03
💻 bioinformatics

RankMap: Rank-based reference mapping for fast and robust cell type annotation in spatial and single-cell transcriptomics

O artigo apresenta o RankMap, um pacote R eficiente e robusto que utiliza representações baseadas em ranqueamento de genes e regressão multinomial para realizar anotação de tipos celulares em dados de transcriptômica espacial e de célula única com maior precisão e velocidade em comparação a métodos existentes.

Cheng, J., Li, S., Kim, S., Ang, C. H., Chew, S. C., Chow, P. K.-H., Liu, N.2026-03-03
💻 bioinformatics

Towards Cross-Sample Alignment for Multi-Modal Representation Learning in Spatial Transcriptomics

Este trabalho apresenta um novo framework de aprendizado de representação profunda que integra dados multimodais de transcriptômica espacial de múltiplas amostras, superando significativamente os métodos tradicionais de correção de lote ao alinhar morfologia, transcriptômica e informações espaciais em um espaço de incorporação compartilhado.

Dai, J., Nonchev, K., Koelzer, V. H., Raetsch, G.2026-03-03
💻 bioinformatics

Structural Plausibility Without Binding Specificity: Limits of AI-Based Antibody-Antigen Structure Prediction Confidence Scores

Este estudo demonstra que, embora métodos de IA como AlphaFold3, Boltz-2 e Chai-1 gerem complexos anticorpo-antígeno estruturalmente plausíveis, suas métricas internas de confiança falham em distinguir interações corretas de incorretas, indicando a necessidade de validação contra decoys realistas e de uma reavaliação da alocação de recursos computacionais.

Smorodina, E., Ali, M., Kropivsek, K., Salicari, L., Miklavc, S., Kappassov, A., Fu, C., Sormanni, P., de Marco, A., Gre (…)2026-03-03
💻 bioinformatics

AlterNet: Alternative splicing-aware gene regulatory network inference

O artigo apresenta o AlterNet, um pipeline inovador que infere redes de regulação gênica em nível de transcrito ao considerar isoformas de fatores de transcrição como reguladores distintos, permitindo a descoberta de interações regulatórias biologicamente relevantes que permanecem ocultas nos métodos convencionais baseados em nível de gene.

Hoffmann, J., Wallnig, J., Dai, Z., Tsoy, O., Blumenthal, D. B., Hartebrodt, A.2026-03-02
💻 bioinformatics

Beyond alignment: synergistic integration is required for multimodal cell foundation models

Este artigo propõe a adoção de objetivos de integração que maximizam a sinergia, em vez de simples alinhamento, para modelos de células multimodais, demonstrando que a fusão eficaz de dados biológicos requer capturar informações complementares não lineares entre modalidades, especialmente em tarefas complexas, enquanto tarefas dominadas por redundância linear podem ser resolvidas de forma mais eficiente com modelos unimodais.

Richter, T., Zimmermann, E., Hall, J., Theis, F. J., Raghavan, S., Winter, P. S., Amini, A. P., Crawford, L.2026-03-02