29 artigos
Este artigo propõe um framework de redes neurais convolucionais temporais (TCNs) para a caracterização de ligação de fatores de transcrição como um problema de classificação multirrotulada, demonstrando que essa abordagem captura eficazmente as interações cooperativas entre múltiplos fatores e revela padrões biológicos significativos.
O artigo apresenta o ScNucAdapt, um método baseado em adaptação de domínio parcial que permite a anotação robusta e precisa de tipos celulares entre conjuntos de dados scRNA-seq e snRNA-seq, superando as limitações das abordagens existentes ao lidar com diferenças distribucionais e de composição celular.
O artigo apresenta o DeeDeeExperiment, uma nova classe S4 no ecossistema Bioconductor que estende o objeto SingleCellExperiment para padronizar o armazenamento, gerenciamento e contextualização de resultados de análises de expressão diferencial e enriquecimento funcional em dados ômicos, promovendo assim a reprodutibilidade e a interoperabilidade.
Este estudo avalia o desempenho de diversos algoritmos de aprendizado de máquina, redes neurais profundas e ferramentas de escore de risco poligênico na previsão de 80 fenótipos binários do conjunto de dados openSNP, demonstrando que os métodos de aprendizado de máquina superaram as ferramentas tradicionais em 44 fenótipos, enquanto os escores de risco poligênico foram mais eficazes em 36.
Este estudo propõe um pipeline de aprendizado de máquina e profundo para classificar indivíduos e identificar genes associados a fenótipos com base em dados genotípicos, demonstrando que os SNPs selecionados por esses algoritmos para maximizar a precisão da classificação podem efetivamente priorizar genes relacionados a doenças e apoiar a descoberta de alvos terapêuticos.
O artigo apresenta o SeekRBP, um novo framework que integra sequências e estruturas proteicas com aprendizado por reforço para superar as limitações dos métodos tradicionais na identificação de proteínas de ligação a receptores (RBPs), superando desafios como divergência extrema de sequências e desequilíbrio de classes.
Os autores demonstram que um modelo estatístico-mecânico, parametrizado por medições de energias de ligação in vitro do fator de transcrição Klf4, consegue capturar com precisão seus padrões de ligação em moléculas de DNA individuais e prever sua ocupação em todo o genoma humano.
Este estudo introduz o rastreamento de circuitos causais em modelos de base de células únicas, revelando que tanto o Geneformer V2 quanto o scGPT exibem arquiteturas computacionais distintas caracterizadas por dominância inibitória e coerência biológica, com consensos intermodelos que enriquecem significativamente domínios associados a doenças.
Este artigo apresenta uma abordagem baseada em aprendizado de máquina interpretável que reduz a complexidade de microbiomas diversos a poucos grupos funcionais, permitindo mapear mecanismos moleculares essenciais para a saúde humana e ambiental.