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.
O artigo apresenta o SLOPE, um método não supervisionado que modela a progressão contínua do amiloide na doença de Alzheimer, permitindo uma detecção mais sensível das alterações iniciais e uma melhor preservação da consistência temporal em comparação com medidas globais tradicionais.
Este trabalho apresenta um algoritmo de Monte Carlo que constrói diretamente conjuntos de cores distintos para k-mers em grafos de Bruijn coloridos, permitindo a deduplicação e compressão em tempo real com baixo uso de memória e probabilidade de erro extremamente baixa, superando assim os gargalos de construção de índices em grandes conjuntos de genomas microbianos.
Este artigo demonstra, em um ambiente sintético controlado, que uma abordagem de aprendizado supervisionado baseada em autoencoders convolucionais e redes de regressão pode mapear diretamente imagens de microscopia crioeletrônica (cryo-EM) para coordenadas atômicas 3D, superando a necessidade de recuperação de pose ou cálculos de projeção e fornecendo uma prova de conceito quantitativa para a estimativa rápida de variabilidade conformacional.
O artigo apresenta a Tokenização Guiada (GT), uma estratégia que prioriza subsequências biologicamente e estatisticamente relevantes em combinação com adaptação de domínio, demonstrando melhorar significativamente a qualidade das representações e a precisão de classificação em modelos de linguagem genômica compactos para diversas tarefas biológicas.
Este artigo demonstra que modelos de linguagem grandes de pesos abertos, combinados com filtragem semântica, superam as buscas por palavras-chave tradicionais e alcançam desempenho comparável a modelos fechados na curadoria automatizada e escalável de metadados de bancos de dados públicos de ciências da vida.
O artigo apresenta o Wayfarer, uma nova estrutura computacional em R que analisa dados de transcriptômica espacial em múltiplas escalas para revelar padrões de progressão tumoral, como a coesão de regiões tumorais e o agrupamento de marcadores imunes, que seriam invisíveis em análises de resolução única.
O SCiMS é uma ferramenta bioinformática inovadora que utiliza dados de DNA hospedeiro em sequências metagenômicas para prever com alta precisão o sexo do hospedeiro, mesmo em amostras com baixa cobertura de DNA, superando as limitações de ferramentas existentes e sendo aplicável a diversas espécies.
O artigo apresenta o DEFT, um novo método de aprendizado de máquina que combina abordagens baseadas em sequência e estrutura para prever com maior precisão e eficiência os números da Comissão de Enzimas (EC), permitindo a anotação em larga escala de repertórios enzimáticos bacterianos, como demonstrado na validação experimental de glicosídeo hidrolases em bactérias associadas ao muco intestinal.
Este artigo apresenta um novo framework de avaliação balanceada por entidades e a estratégia de treinamento UnbiasNet para mitigar vieses de shortcut em previsões de associações biológicas multi-entrada, permitindo uma avaliação mais justa e robusta do aprendizado relacional genuíno.
Este artigo demonstra que um novo algoritmo de downsampling baseado em prefixos, ao reduzir o tamanho dos genomas bacterianos para representações de k-mers, permite o treinamento eficiente de modelos de aprendizado de máquina que alcançam alta precisão na previsão de fenótipos e oferecem explicabilidade, estabelecendo uma alternativa viável quando o uso de genomas completos é inviável.