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 PIGLET, um novo método baseado em transformadores de grafos que utiliza um grafo de conhecimento proteico para prever interações fármaco-alvo, superando os modelos existentes em cenários de validação mais rigorosos e demonstrando sua utilidade em um estudo de caso real de descoberta de medicamentos.
Este artigo apresenta a metodologia ICI-Kt, que trata valores ausentes em dados de metabolômica como informações úteis decorrentes de censura à esquerda, permitindo sua inclusão no cálculo da correlação de Kendall-tau para melhorar a detecção de outliers e a construção de redes de características.
O artigo apresenta o ProteomeLM, um modelo de linguagem baseado em transformadores que opera em escala de proteoma inteiro para gerar representações contextuais de proteínas, permitindo a previsão precisa e rápida de interações proteína-proteína e essencialidade gênica em diversas espécies, superando métodos anteriores sem necessidade de supervisão para capturar interações.
Este artigo apresenta o ConNIS, um novo método estatístico e uma abordagem baseada em dados para determinar genes essenciais em bibliotecas TraDIS, superando as técnicas existentes ao calcular probabilidades precisas de sequências sem inserção e oferecer critérios objetivos para definição de parâmetros, com ferramentas disponíveis em R e na web.
Este estudo apresenta um quadro robusto baseado em modelos de regressão linear para prever como as mutações somáticas em 560 genomas de câncer de mama alteram a ligação de fatores de transcrição, revelando que processos mutacionais específicos, como os associados à APOBEC e ao envelhecimento, reconfiguram sistematicamente as redes regulatórias gênicas de maneira dependente do subtipo tumoral.
Este estudo demonstra que as expectativas sobre modelos de previsão de respostas a perturbações em células únicas são excessivamente otimistas devido às falhas das métricas de avaliação atuais, propondo diretrizes robustas para um benchmarking confiável.
O estudo demonstra que, ao controlar fatores como a frequência alélica, os preditores computacionais de efeitos de variantes apresentam desempenho comparável entre diferentes grupos ancestrais, apoiando assim sua ampla aplicação responsável no diagnóstico genético.
O artigo apresenta o MW-RaMViD, um método baseado em difusão probabilística que corrige as distorções da cunha faltante em tomografia crioeletrônica gerando imagens de inclinação ausentes em nível 2D, demonstrando que tamanhos de passo menores e janelas de condicionamento maiores melhoram a fidelidade da reconstrução 3D.
O artigo apresenta o DeepMDTOMO, uma nova estrutura de aprendizado profundo supervisionado que supera as limitações computacionais dos métodos baseados em física para inferir com precisão paisagens conformacionais atômicas de biomoléculas a partir de dados de criomicroscopia eletrônica tomográfica, mesmo na presença de ruído e artefatos de cunha ausente.
O artigo apresenta o SomaSV, um framework de sequenciamento híbrido que combina dados de leitura longa e curta para detectar variantes estruturais somáticas com maior precisão e menor custo do que os métodos atuais, demonstrando potencial para a descoberta de biomarcadores no câncer.