{"id":2288,"date":"2017-07-07T12:23:36","date_gmt":"2017-07-07T12:23:36","guid":{"rendered":"https:\/\/www.kolabtree.com\/blog\/?p=2288"},"modified":"2020-02-10T14:12:18","modified_gmt":"2020-02-10T14:12:18","slug":"4-recent-advances-in-computational-biology","status":"publish","type":"post","link":"https:\/\/www.kolabtree.com\/blog\/es\/4-recientes-avances-en-biologia-computacional\/","title":{"rendered":"4 Avances recientes en biolog\u00eda computacional"},"content":{"rendered":"

Biolog\u00eda computacional<\/a> est\u00e1 evolucionando r\u00e1pidamente con la llegada de las nuevas tecnolog\u00edas, especialmente en la forma de recoger, analizar y visualizar los datos. El Dr. Ragothaman Yennmalli, un Kolabtree<\/a> independiente y cient\u00edfico, examina cuatro avances prometedores.\u00a0\u00a0<\/em><\/p>\n

En el marco del seguimiento de la anterior entrada introductoria<\/a>En este art\u00edculo destacar\u00e9 algunas de las tendencias o avances recientes en las ciencias biol\u00f3gicas que est\u00e1n transformando la biolog\u00eda computacional. Estos avances se basan en gran medida en herramientas y m\u00e9todos computacionales: an\u00e1lisis de grandes datos, modelizaci\u00f3n multiescala, etc. A continuaci\u00f3n se enumeran algunos de ellos.<\/p>\n

1. Los grandes datos<\/strong><\/p>\n

Se trata de un t\u00e9rmino bien conocido en inform\u00e1tica y que ha sido recogido por los bi\u00f3logos s\u00f3lo recientemente. Gracias a las t\u00e9cnicas de secuenciaci\u00f3n de nueva generaci\u00f3n, la secuencia de un genoma puede obtenerse en un tiempo relativamente menor. Por ejemplo, la relevancia de generar datos r\u00e1pidamente se magnifica cuando se trabaja con datos metagen\u00f3micos o un microbioma. \u00bfC\u00f3mo se pueden gestionar los datos? \u00bfY el almacenamiento a largo plazo? \u00bfCu\u00e1les son las herramientas para analizar datos tan masivos? Estas preguntas surgen y tienen respuesta. Como se ha mencionado, esta es una tendencia reciente en la biolog\u00eda, pero no en las ciencias de la computaci\u00f3n o la f\u00edsica experimental, donde el manejo y el an\u00e1lisis de grandes datos es un trabajo rutinario.<\/p>\n

\"big-data-1667184_1280\"
\nOne particular instance where investigaci\u00f3n<\/a> is happening is in the file formats of biological big data. In the case of protein structure file format, the current standard is the .pdb format, a column dependent format that is parseable and both human and machine readable. However, this format fails when describing mega structures, such as the ribosome or full viral capsids. Hence, a new format has been proposed called the .pdbx format that overcomes the previous format’s limitations. There is also another format called MMTF format that spees up the loading time for structures with more then 20 million atoms within seconds.<\/p>\n

M\u00e1s informaci\u00f3n sobre big data en inform\u00e1tica biolog\u00eda estructural<\/a>:
\nhttp:\/\/science.sciencemag.org\/content\/355\/6322\/248
\n<\/a><\/p>\n

2. T\u00e9cnicas de crio-EM y XFEL<\/strong><\/p>\n

Estos dos m\u00e9todos no son nuevos, como tales. Sin embargo, la tecnolog\u00eda actual y los avances que se est\u00e1n produciendo en estos dos campos est\u00e1n ampliando los l\u00edmites del an\u00e1lisis de la estructura biomolecular. Cryo-EM <\/a>es una t\u00e9cnica que permite captar la estructura tridimensional de la biomol\u00e9cula mediante un microscopio electr\u00f3nico de alta resoluci\u00f3n. En uno de los laboratorios pioneros de los NIH se resolvi\u00f3 una estructura de 2,5\u00c5. Esta resoluci\u00f3n suele obtenerse con la estructura cristalina de las prote\u00ednas, lo que habitualmente implica al menos 1 \u00f3 2 meses de tiempo para estandarizar el cristal \u00f3ptimo que se dispara bajo el haz de rayos X.<\/p>\n

\"alat2-872522_1920\"
\nEn cambio, una t\u00e9cnica reciente que est\u00e1 revolucionando la biolog\u00eda estructural es XFEL<\/a> que consiste en disparar haces de rayos X de alta intensidad sobre microcristales de prote\u00ednas. Debido a la alta radiaci\u00f3n, los microcristales se queman literalmente para obtener los datos. Se necesitan decenas de miles de microcristales para obtener datos de una cobertura decente. Cada imagen capturada de un microcristal tiene que ser analizada con el resto para obtener la estructura 3D de la biomol\u00e9cula.<\/p>\n

Estas t\u00e9cnicas dependen en gran medida de programas inform\u00e1ticos automatizados que utilizan algoritmos de procesamiento de im\u00e1genes y, en cierta medida, enfoques de aprendizaje autom\u00e1tico para identificar la se\u00f1al del ruido circundante. Este<\/span>\u00a0es el big data, ya que la diversidad y la velocidad a la que se adquiere la informaci\u00f3n es astron\u00f3mica.<\/span><\/p>\n

3. Modelizaci\u00f3n multiescala<\/strong><\/p>\n

A diferencia de la modelizaci\u00f3n de una sola estructura biomolecular y de la extrapolaci\u00f3n a un sistema m\u00e1s complejo, la modelizaci\u00f3n multiescala implica a m\u00e1s de 200.000 \u00e1tomos y la din\u00e1mica obtenida revela interacciones de largo alcance temporal y un comportamiento complejo de los m\u00faltiples componentes (ya sean homog\u00e9neos o heterog\u00e9neos). Los datos generados a partir de estos experimentos son masivos debido al n\u00famero de puntos de datos obtenidos, tambi\u00e9n debido a las m\u00faltiples ejecuciones para obtener una significaci\u00f3n estad\u00edstica.<\/p>\n

Un caso en el que se ha utilizado la modelizaci\u00f3n multiescala es en la comprensi\u00f3n de la din\u00e1mica del celulosoma, una estructura compleja bacteriana formada por prote\u00ednas y enzimas heterog\u00e9neas que se adhieren a la celulosa. Los celulosomas tienen importancia industrial en el \u00e1mbito de los biocombustibles, concretamente en la producci\u00f3n de bioetanol.<\/p>\n

M\u00e1s informaci\u00f3n:\u00a0http:\/\/www.ks.uiuc.edu\/Research\/biofuels\/<\/a><\/p>\n

4. Secuenciaci\u00f3n de c\u00e9lulas individuales<\/strong><\/p>\n

En lugar de examinar varias c\u00e9lulas, la t\u00e9cnica m\u00e1s reciente consiste en aislar cada c\u00e9lula individual, extraer el ARN y secuenciarlo. Esta t\u00e9cnica reciente se llama secuenciaci\u00f3n de ARN de una sola c\u00e9lula o scRNA-seq<\/a>. En este art\u00edculo de Nature, en el que se habla del m\u00e9todo y de sus ventajas, se menciona que<\/p>\n

Es mucho m\u00e1s dif\u00edcil manipular c\u00e9lulas individuales que grandes poblaciones, y como cada c\u00e9lula s\u00f3lo produce una peque\u00f1a cantidad de ARN, no hay margen de error. Otro problema es el an\u00e1lisis de las enormes cantidades de datos resultantes, sobre todo porque las herramientas utilizadas pueden ser poco intuitivas.<\/p><\/blockquote>\n

Aqu\u00ed se ofrece una excelente revisi\u00f3n del flujo de trabajo y de las herramientas para scRNA-seq: https:\/\/doi.org\/10.3389\/fgene.2016.00163<\/span><\/a><\/p>\n

\n

\u00bfNecesita ayuda para consultar a Bi\u00f3logo computacional<\/a>? Contratar a un Biolog\u00eda computacional aut\u00f3noma<\/a> experto<\/b>\u00a0en Kolabtree. Es gratis publicar tu proyecto y obtener presupuestos.<\/b><\/p>\n

\u00bfQuieres consultar al Dr. Yennamalli sobre un proyecto? Ponte en contacto con \u00e9l en Kolabtree aqu\u00ed<\/a>.<\/p>\n

Expertos relacionados:
\nContratar a un bioinform\u00e1tico<\/a>\u00a0 \u00a0 \u00a0 \u00a0 \u00a0Contratar a un bi\u00f3logo molecular\u00a0<\/a> \u00a0 \u00a0 Contratar a un bioestad\u00edstico<\/a><\/p>","protected":false},"excerpt":{"rendered":"

La biolog\u00eda computacional est\u00e1 evolucionando r\u00e1pidamente con la llegada de nuevas tecnolog\u00edas, especialmente en la forma de recoger, analizar y visualizar los datos. El Dr. Ragothaman Yennmalli, cient\u00edfico independiente de Kolabtree, examina cuatro avances prometedores. Como continuaci\u00f3n del anterior post introductorio, aqu\u00ed destacar\u00e9 algunas de las tendencias o avances recientes en la biolog\u00eda<\/p>\n

Leer m\u00e1s<\/a><\/div>","protected":false},"author":26,"featured_media":2324,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":[],"categories":[442,398,247,435],"tags":[],"acf":[],"yoast_head":"\nComputational biology: 4 recent advances - Kolabtree Blog<\/title>\n<meta name=\"description\" content=\"Recent advances in computational biology that are changing the way we look at genomic data, structural biology and RNA sequencing.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/www.kolabtree.com\/blog\/es\/4-recientes-avances-en-biologia-computacional\/\" \/>\n<meta property=\"og:locale\" content=\"es_ES\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"4 Recent Advances in Computational Biology\" \/>\n<meta property=\"og:description\" content=\"Recent advances in computational biology that are changing the way we look at genomic data, structural biology and RNA sequencing.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/www.kolabtree.com\/blog\/es\/4-recientes-avances-en-biologia-computacional\/\" \/>\n<meta property=\"og:site_name\" content=\"The Kolabtree Blog\" \/>\n<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/kolabtree\" \/>\n<meta property=\"article:published_time\" content=\"2017-07-07T12:23:36+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2020-02-10T14:12:18+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/www.kolabtree.com\/blog\/wp-content\/uploads\/2017\/07\/alat2-872522_1920.jpg\" \/>\n\t<meta property=\"og:image:width\" content=\"1920\" \/>\n\t<meta property=\"og:image:height\" content=\"745\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/jpeg\" \/>\n<meta name=\"author\" content=\"Ragothaman Yennamalli\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:creator\" content=\"@kolabtree\" \/>\n<meta name=\"twitter:site\" content=\"@kolabtree\" \/>\n<meta name=\"twitter:label1\" content=\"Escrito por\" \/>\n\t<meta name=\"twitter:data1\" content=\"Ragothaman Yennamalli\" \/>\n\t<meta name=\"twitter:label2\" content=\"Tiempo de lectura\" \/>\n\t<meta name=\"twitter:data2\" content=\"4 minutos\" \/>\n<!-- \/ Yoast SEO Premium plugin. -->","yoast_head_json":{"title":"Computational biology: 4 recent advances - Kolabtree Blog","description":"Recent advances in computational biology that are changing the way we look at genomic data, structural biology and RNA sequencing.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/www.kolabtree.com\/blog\/es\/4-recientes-avances-en-biologia-computacional\/","og_locale":"es_ES","og_type":"article","og_title":"4 Recent Advances in Computational Biology","og_description":"Recent advances in computational biology that are changing the way we look at genomic data, structural biology and RNA sequencing.","og_url":"https:\/\/www.kolabtree.com\/blog\/es\/4-recientes-avances-en-biologia-computacional\/","og_site_name":"The Kolabtree Blog","article_publisher":"https:\/\/www.facebook.com\/kolabtree","article_published_time":"2017-07-07T12:23:36+00:00","article_modified_time":"2020-02-10T14:12:18+00:00","og_image":[{"width":1920,"height":745,"url":"https:\/\/www.kolabtree.com\/blog\/wp-content\/uploads\/2017\/07\/alat2-872522_1920.jpg","type":"image\/jpeg"}],"author":"Ragothaman Yennamalli","twitter_card":"summary_large_image","twitter_creator":"@kolabtree","twitter_site":"@kolabtree","twitter_misc":{"Escrito por":"Ragothaman Yennamalli","Tiempo de lectura":"4 minutos"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/www.kolabtree.com\/blog\/4-recent-advances-in-computational-biology\/#article","isPartOf":{"@id":"https:\/\/www.kolabtree.com\/blog\/4-recent-advances-in-computational-biology\/"},"author":{"name":"Ragothaman Yennamalli","@id":"https:\/\/www.kolabtree.com\/blog\/#\/schema\/person\/61d4584c2ca630dcee91e7a79c417693"},"headline":"4 Recent Advances in Computational Biology","datePublished":"2017-07-07T12:23:36+00:00","dateModified":"2020-02-10T14:12:18+00:00","mainEntityOfPage":{"@id":"https:\/\/www.kolabtree.com\/blog\/4-recent-advances-in-computational-biology\/"},"wordCount":805,"commentCount":0,"publisher":{"@id":"https:\/\/www.kolabtree.com\/blog\/#organization"},"articleSection":["Biotechnology","Data Science","Guest posts","Research"],"inLanguage":"es","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/www.kolabtree.com\/blog\/4-recent-advances-in-computational-biology\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/www.kolabtree.com\/blog\/4-recent-advances-in-computational-biology\/","url":"https:\/\/www.kolabtree.com\/blog\/4-recent-advances-in-computational-biology\/","name":"Computational biology: 4 recent advances - Kolabtree Blog","isPartOf":{"@id":"https:\/\/www.kolabtree.com\/blog\/#website"},"datePublished":"2017-07-07T12:23:36+00:00","dateModified":"2020-02-10T14:12:18+00:00","description":"Recent advances in computational biology that are changing the way we look at genomic data, structural biology and RNA sequencing.","breadcrumb":{"@id":"https:\/\/www.kolabtree.com\/blog\/4-recent-advances-in-computational-biology\/#breadcrumb"},"inLanguage":"es","potentialAction":[{"@type":"ReadAction","target":["https:\/\/www.kolabtree.com\/blog\/4-recent-advances-in-computational-biology\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/www.kolabtree.com\/blog\/4-recent-advances-in-computational-biology\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/www.kolabtree.com\/blog\/"},{"@type":"ListItem","position":2,"name":"4 Recent Advances in Computational Biology"}]},{"@type":"WebSite","@id":"https:\/\/www.kolabtree.com\/blog\/#website","url":"https:\/\/www.kolabtree.com\/blog\/","name":"The Kolabtree Blog","description":"Expert Views on Science, Innovation and Product Development","publisher":{"@id":"https:\/\/www.kolabtree.com\/blog\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/www.kolabtree.com\/blog\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"es"},{"@type":"Organization","@id":"https:\/\/www.kolabtree.com\/blog\/#organization","name":"Kolabtree","url":"https:\/\/www.kolabtree.com\/blog\/","logo":{"@type":"ImageObject","inLanguage":"es","@id":"https:\/\/www.kolabtree.com\/blog\/#\/schema\/logo\/image\/","url":"","contentUrl":"","caption":"Kolabtree"},"image":{"@id":"https:\/\/www.kolabtree.com\/blog\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/www.facebook.com\/kolabtree","https:\/\/twitter.com\/kolabtree","https:\/\/instagram.com\/kolabtree","https:\/\/www.linkedin.com\/company\/kolabtree","https:\/\/en.m.wikipedia.org\/wiki\/Kolabtree"]},{"@type":"Person","@id":"https:\/\/www.kolabtree.com\/blog\/#\/schema\/person\/61d4584c2ca630dcee91e7a79c417693","name":"Ragothaman Yennamalli","image":{"@type":"ImageObject","inLanguage":"es","@id":"https:\/\/www.kolabtree.com\/blog\/#\/schema\/person\/image\/","url":"https:\/\/www.kolabtree.com\/blog\/wp-content\/uploads\/2017\/06\/raghu_bt-96x96.jpg","contentUrl":"https:\/\/www.kolabtree.com\/blog\/wp-content\/uploads\/2017\/06\/raghu_bt-96x96.jpg","caption":"Ragothaman Yennamalli"},"description":"Dr. Ragothaman Yennamalli completed his PhD in Computational Biology and Bioinformatics in 2008 from Jawaharlal Nehru University, New Delhi. He conducted postdoctoral research at Iowa State University (2009-2011), University of Wisconsin-Madison (2011-2012), and Rice University (2012-2014). Currently he is an Assistant Professor at Jaypee University of Information Technology, Waknaghat, Himachal Pradesh, India.","url":"https:\/\/www.kolabtree.com\/blog\/es\/author\/ragothaman\/"}]}},"amp_enabled":true,"_links":{"self":[{"href":"https:\/\/www.kolabtree.com\/blog\/es\/wp-json\/wp\/v2\/posts\/2288"}],"collection":[{"href":"https:\/\/www.kolabtree.com\/blog\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.kolabtree.com\/blog\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.kolabtree.com\/blog\/es\/wp-json\/wp\/v2\/users\/26"}],"replies":[{"embeddable":true,"href":"https:\/\/www.kolabtree.com\/blog\/es\/wp-json\/wp\/v2\/comments?post=2288"}],"version-history":[{"count":19,"href":"https:\/\/www.kolabtree.com\/blog\/es\/wp-json\/wp\/v2\/posts\/2288\/revisions"}],"predecessor-version":[{"id":6896,"href":"https:\/\/www.kolabtree.com\/blog\/es\/wp-json\/wp\/v2\/posts\/2288\/revisions\/6896"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.kolabtree.com\/blog\/es\/wp-json\/wp\/v2\/media\/2324"}],"wp:attachment":[{"href":"https:\/\/www.kolabtree.com\/blog\/es\/wp-json\/wp\/v2\/media?parent=2288"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.kolabtree.com\/blog\/es\/wp-json\/wp\/v2\/categories?post=2288"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.kolabtree.com\/blog\/es\/wp-json\/wp\/v2\/tags?post=2288"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}