Hola, empiezo aquí mis notas sobre las charlas que pueda escuchar en condiciones estos días en Toledo durante el II congreso de la Sociedad Española de Bioinformática y Biología Computacional (SEBiBC), que por azar coincide con la huelga general del 11N. Tenéis la lista completa de resúmenes aquí.
La charla invitada de Mihaela Pertea tuvo como tema “Decoding RNA Isoform Biology: From Transcript Assembly to Regulatory Insights”. Empieza explicando que la reconstrucción de tránscritos sigue siendo un problema complejo, con ejemplos de 3 fuentes de anotación del genoma humano. Presenta las dos versiones originales de StringTie para lecturas cortas y largas, como sucesores de Cufflinks capaces eliminar ruido entre exones, que soportan un modo híbrido short/long que recomienda, para llegar a la más reciente (StringTie3), para ARN total (naciente+maduro-rRNA). En concreto, la principal innovación es un modo que modela de manera explícita los mensajeros nacientes con números crecientes de exones, mejorando precisión un 40%. Esta versión se apoya en EASTR para reducir errores de mapeo en genes multiexónicos (a veces se saltan exones si flancos de intrones de genes parálogos se parecen mucho). Se pregunta por qué querríamos secuencias una librería de ARN total? Responde que para estudiar mensajeros no poliadenilados, circARNs, edición de ARN, intronic SNVs, y finalmente, mensajeros nacientes incompletos. Muestra un ejemplo con KOs de genes AGO para mostrar este último tipo de datos. El modo híbrido actual mejora la precisión un 76% y la sensibilidad del 40%. Termina mencionando TranSigner para estimar abundancia con lecturas largas, que resuelve el problema engañoso de asignar lecturas largas a tránscritos por Expectation Maximization (se parece a Oarfish).
Mesa redonda "Evaluation of bioinformatics projects in competitive funding calls", moderada por Arnau Montagud, con la participación de Joaquín Dopazo, Maite Martín Valdivia y Fátima Al-Shahrour. Maite explica que en 4 años se han duplicado los proyectos TIC, muchos LLMs. Ximo: área BIO no es para cosas demasiado computacionales. Lista de expertos/referees de la agencia no bien etiquetada. En BIO pesa mucho originalidad, no necesariamente experimental, e impacto biológico; llegan proyectos buenos exp+comput subcontratando (no es realista con las cantidades que se manejan habitualmente en España). Desarrollo de software sin originalidad no cuela; en TIC debe haber innovación algorítmica. Fatima comenta su experiencia de proyectos sin valid experimental y discute que hay muchas formas de validar. Liderazgo no es necesariamente del que valida experimentalmente. Liderazgo se mide por num papers sr author (sin ellos no puedes liderar) y por proyectos y colaboraciones internacionales. Descargas en repos se aceptan como medida impacto o liderazgo en TIC; en BIO no está formalmente aceptado, es un plus informal. BIO no tiene subáreas, igual podría haber una compbio (Maite). Ana Conesa comenta que un proyecto BIO no mecanistico puede competir en inferioridad, sesgos implícitos. Que es innov? DBs, herramientas, se ven como menores a veces. Maite dice que escribamos al presidente de BIO. En TIC presupuesto inflado penaliza, OA se quita. En BIO presupuesto pesa 10% y debe estra justificado. JM Carazo dice que en su revista aceptan validaciones con datos públicos.
Isabel C expresa el problema en colaboraciones multi-autor donde a veces debe pelear para que haya más de un bioinformático entre firmantes.
Barbara Fuzi explica las actividades de https://bioinfo4women.bsc.es desde sus inicios y da pinceladas sobre conceptos, ideas para reducir sesgos en estudios experimentales y nos remite a sus publicaciones. Plantea el problema de los sesgos existentes en la IA desde el momento en que se entrenan con corpus que contienen sesgos.
Mark Wilkinson empieza explicando que los conceptos detrás de FAIR no siempre se han entendido bien y que ha quedado claro que no podemos medir su cumplimiento de manera manual, se ha demostrado muchas veces. Pero diseñar un test FAIR automático tampoco es tan fácil si no nos ponemos de acuerdo en cosas como qué son los metadatos y estándares. En EOSC (FAIR metrics and digital objects) han estado trabajando en FAIR assessment (FA) desde 2021 y recientemente han querido medir si FAIR ha cambiado las cosas en los últimos 10 años. Partiendo de herramientas anteriores (como FAIR Evaluator y FOOPS) propone una manera de harmonizar FA de manera genérica, aplicable a cualquier disciplina, dentro de la plataforma OSTrails. Muestra un ejemplo de ciencia sociales (CESSDA) donde un algoritmo ad hoc de FA da diferentes pesos, asignados por su comunidad, a diferentes tests y ofrece recetas para resolver los tests fallados (esto me recuerda al FA de DIGITAL.CSIC, que no hace esto último creo). Después muetra un experimento de benchmark (palabra clave de la conferencia) con 22 datasets FAIR seleccionados de diferentes repositorios, a punto de ser publicado, donde comprueban que en muchos casos, a pesar de ser 'Findable', los ficheros originales no se pueden localizar, invalidando por tanto todo lo demás. Esto suele ser responsabilidad de los propios repositorios, no de los depositantes de los datos, y muestra que encontrar datos no es lo mismo que reutilizarlos. Concluye, a pesar de esta realidad, con una lista de evidencias de progreso: hemos ganado en transparencia, en estándares abiertos, en capacidad de encontrar datos registrados y en definir, comunidad por comunidad, cómo definir FA (en contra de top-down FAIR concepts). En preguntas explica que un desafío ahora mismo es como gestionar acceso de bots de IA, un tema en el que hay debate abierto. También explica como un un LLM local, al que le das ontologías específicas, puedes etiquetar y empaquetar de manera automática datos en CSV, parecido a lo que hacen con RAG en póster #143 de Andrea Riquelme García.
Alberto Cámara explica su trabajo de tesis sobre búsqueda de fuentes FAIR y construcción de un grafo de conocimiento por medio de 'query matching' y 'db profiling' (triadas de datos que comparten un elemento) para enlazar objetos de diferentes fuentes con SPHINX, RIDDLE, SCSRAB. Aplica estos métodos a dbs federadas de enfermedades raras y poblaciones silvestres de plantas en riesgo, donde hay que preservar la privacidad. En preguntas menciona la idea de agregar Model Context Protocols (MCPs) a dbs para la IA las consuma fácilmente.
Joan Sarria presentó nuestro trabajo reciente con grafos pangenómicos en cebada:, que se pueden probar directamente en https://barleymap.eead.csic.es/barleymap/graph :
Alberto González Calatayud mide el impacto de 445 mutaciones puntuales en modelos AF3 comparando con estructuras experimentales de los mismos mutantes. Se fijan en la esfera de 8A alrededor de mutación. A pesar de que los cambios observados en estos ejemplos son muy pequeños, encuentran que el cambio en el modelo es casi siempre perpendicular al observado.
Isidro Sobrino explica en detalle un protocolo que está desarrollando para diseñar proteínas inmunogénicas en jabalí usando aprendizaje automático para predecir su expresion en E.coli y su plegamiento. Han conseguido tres que se expresan y en ELISA no inducen respuesta inmune en animales no expuestos.
Rosa Fernández presenta NEBULA como una herramienta tipo BLAST para buscar secuencias similares en inmersiones/embeddings FAISS precalculadas con modelos de lenguaje de proteínas (PLMs) prot5 en segundos. Validan comparando con Diamond y BUSCOs y ortogrupos animales. Ven que NEBULA recupera muchas más secuencias de taxones lejanos. También miraron secuencias con ident<30% y plegamiento conservado, con mayor sensibilidad. Finalmente miran orphans y proteínas desordenadas.
Ana Rojas habla sobre un reanálisis de la familia RAS que ya había hecho en 2012, concluyendo que PLMs son capaces de clasificar correctamente secuencias RAS. Recomienda usar secuencia de dominios firma mejor que secuencia completa para evitar problemas.
Tianyuan Liu explica que agentes CLI producen código más compacto que sus contrapartes GUI. Su taller alterna charla e interacción con la audiencia con un panel de preguntas en tiempo real (slido). Recomienda claude remote-control para trabajos en clusters. Explica como en sus manos un agente puede tareas similares a las de un estudiante de doctorado, pero con límites: consumen tokens, directorios independientes para agentes en paralelo (PR posterior), tests CI deben crecer al aumentar el número de agentes. Debes revisar siempre lo que hacen (no podemos leer más de 200-500l de código/h), a veces hacen cosas raras o se saltan especificaciones. Además, en su experiencia los agentes desperdician cores en clusters porque no saben cómo calcular cuántos necesitan. Menciona https://autoresearch.lol como inspiración para BenchEvolve como protocolo para validar desarrollo de herramientas en biología. Explica que claude code se añade como autor en commits en repos. Ya no usa skills porque con Opus 4.5 ya no los necesita. Modelos OS locales le parece que van como 1 año atrasados, pero valen para muchas tareas. Concluye que con agentes de código es fácil y barato escribir código y diseñar experimentos, lo caro y laborioso sigue siendo tener las ideas, validar y corregir el código y ejecutar los experimentos de validación.
Marinka Zitnik presenta en línea un agente IA llamado Medea para razonamiento terapéutico, construído sobre modelos de tratamientos (COMPASS) y fármacos (ATHENA), pero que puede conectarse a muchos otros modelos disponibles. Se puede instalar localmente (https://medea.openscientist.ai). Muestra ejemplos de predición de letalidad sintética en líneas celulares de cáncer y de predicción de respuesta a inmnoterapias en pacientes. Esta herramienta es capaz de hacer mapas de atribución interpretables a genes individuales de respuestas terapéuticas. En preguntas, Ana Conesa le pregunta cómo ir más allá de biomedicina, por ejemplo con cultivos y clima. Contesta que su grupo desarrolla https://aiscientist.tools para ayudar a que otros desarrollen agentes específicos.
En su taller del viernes, Tianyuan Liu y Ana Conesa nos explican cómo han montado sobre infraestructura del CSIC (Drago) y el modelo DeepSeek-V4-Flash-0731 la herramienta https://paintomics.org AI (TELLME) para analizar datos multiómicos y extraer información de la literatura y de rutas metabólicas para construir afirmaciones soportados por los datos que el usuario puede y debe luego validar. Tienen 6 estudios elegidos en https://github.com/ConesaLab/SEBiBC2026, uno de plantas, y nos invitan a validar en comunidad las afirmaciones que produce.
Tras recoger el 1er Premio Nacional de Bioinformática, Alfonso Valencia dice que sin su grupo no es nada, y que sin grupo no hay diversión tampoco. Se siente feliz de haber contribuido un poco al mar de conocimiento de la ciencia, y que no tiene tanto valor haber hecho algo por primera vez, ya que otra persona lo habría hecho. Como bioinformáticos, nos tenemos que transformar permanentemente en la era de la IA, lo ve como algo positivo. De paso presenta MareNostrum5 donde hay mucha capacidad de cálculo (invita a que pidamos proyectos de cálculo allí) y otras infraestructuras que vienen.
Después pasa a hablar de trabajos en marcha en el BSC. Empieza por gemelos digitales de mecanismos biológicos a diferentes escalas (PhysiCell, PhysiBOSS), órganos, humanos, CPUs, ciudades, ordenadores cuánticos y de la Tierra! Luego toca el tema de los agentes con y sin human in the loop, y menciona trabajos recientes, incluido uno propio. Dice que el desarrollo de software dejará de tener sentido si no es el marco de los agentes. Dice que en sus experimentos los modelos LLM de frontera valen la pena.
; after a few seconds you will get a table results. The important part here is the 'other alignments' column:
