📑 Table of Contents▼

La visualización de datos biológicos es una subdisciplina de la bioinformática centrada en el uso de gráficos por computadora, así como en técnicas de visualización científica y de información aplicadas a distintas áreas de las ciencias de la vida. Abarca la representación de secuencias, genomas, alineamientos, filogenias, estructuras macromoleculares, sistemas biológicos, así como datos de microscopía y de resonancia magnética. Las herramientas empleadas van desde programas sencillos e independientes hasta plataformas complejas e integradas.

Una tendencia creciente en el campo es la integración entre varios niveles de visualización, que va desde estructuras tridimensionales a resolución atómica, pasando por complejos macromoleculares analizados mediante microscopía crioelectrónica, hasta la localización de proteínas y complejos en células y tejidos completos.[1]​[2]​ Asimismo, se ha incrementado tanto la disponibilidad como la relevancia de datos con resolución temporal, provenientes de áreas como la biología de sistemas, la microscopía electrónica y las técnicas de imagen de células y tejidos.[3]​[4]​

Alineación de secuencias

editar
Diagrama de alineamiento múltiple de secuencias del dominio WPP, mostrando la conservación de aminoácidos entre diferentes proteínas mediante columnas alineadas.
Alineamiento múltiple de secuencias del dominio WPP. Fuente: Wikipedia Commons. Alineamiento múltiple de secuencias del dominio WPP. Recuperado el 20 de abril de 2024, de https://commons.wikimedia.org/wiki/File:WPP_domain_alignment.PNG

La visualización de alineamientos de secuencias ha tomado un rol importante en la bioinformática y la genómica, en este sentido permite a los científicos interpretar y analizar datos genéticos complejos. La visualización de alineamientos de secuencias ha permitido identificar similitudes, diferencias, regiones conservadas y patrones evolutivos dentro de las secuencias de ARN, ADN o proteínas. De esta forma, los científicos pueden tener una compresión más profunda sobre las relaciones genéticas, los elementos funcionales y los procesos evolutivos.

Relevancia

editar

La importancia de visualizar la alineación de secuencias nos permite lo siguiente:

  • Identificación de secuencias conservadas: La visualización ayuda a los investigadores a identificar regiones conservadas en las secuencias, que son indicativas de importancia funcional o relaciones evolutivas.[5]​
  • Detección de mutaciones y variaciones geneticas: Las herramientas de visualización permiten la detección visual de mutaciones , inserciones, deleciones y otras variaciones dentro de las secuencias, lo que proporciona información sobre la diversidad genética y las mutaciones causantes de enfermedades.[6]​
  • Compresion de relaciones evolutivas: Mediante la visualización de alineamientos de secuencias, los investigadores pueden inferir relaciones evolutivas, construir árboles filogenéticos y estudiar la historia evolutiva de especies o genes. [7]​
  • Prediccion de elementos funcionales: La visualización ayuda a predecir elementos funcionales como dominios proteicos, motivos y regiones regulatorias dentro de las secuencias, lo que facilita los estudios de genómica funcional. [8]​
  • Diagrama de una secuencia de ADN que muestra un marco de lectura abierto (ORF), indicando la región codificante comprendida entre un codón de inicio y un codón de terminación.
    ADN, ORF (marco de lectura abierto). Fuente: http://www.genome.gov/Images/EdKit/bio2b_large.gif
    Genomica comparativa: La genómica comparativa se basa en la visualización de alineamientos de secuencias para comparar genomas, identificar genes ortólogos y parálogos, y estudiar la evolución genómica entre especies. [9]​Para visualizar alineamientos de secuencias y sus características, los investigadores suelen utilizar herramientas bioinformáticas populares como Clustal Omega, MUSCLE, T-Coffee y MAFFT. Estas herramientas proporcionan plataformas interactivas para alinear secuencias, resaltar regiones conservadas, mostrar variaciones y detectar motivos. Además, software de visualización como Jalview, BioEdit y Geneious ofrece funciones avanzadas para visualizar y analizar alineamientos de secuencias, facilitando la interpretación y extracción de información significativa a partir de datos genéticos.

Métodos

editar

Además de las herramientas de software, como Clustal Omega, MUSCLE, T-Coffee y MAFFT, existen diversas técnicas ampliamente utilizadas para la visualización de alineamientos de secuencias genómicas, las cuales desempeñan un papel crucial al permitir a los investigadores comprender las relaciones genéticas, identificar elementos funcionales y estudiar procesos evolutivos; entre los enfoques más comunes en la visualización de alineamientos de secuencias se incluyen:

Logotipo de secuencia que representa el motivo de unión de LexA en bacterias Gram positivas, mostrando la conservación y frecuencia relativa de nucleótidos en cada posición del sitio de unión.
Logotipo de secuencia del motivo de unión de LexA en bacterias Gram positivas. Fuente: Wikimedia Commons, el repositorio multimedia libre. Recuperado el 20 de abril de 2024, de https://commons.wikimedia.org/wiki/File:LexA_gram_positive_bacteria_sequence_logo.png

Logotipo de secuencia: Los logotipos de secuencia son representaciones gráficas de alineamientos de secuencias que muestran la conservación de los residuos en cada posición, así como la frecuencia relativa de cada aminoácido o nucleótido. Estos logotipos proporcionan una visualización compacta e informativa de las regiones conservadas y de la variabilidad de la secuencia.[10]​

Alineamiento múltiple de secuencias: Los visores de alineamiento múltiple de secuencias, como Jalview y MEGA, proporcionan plataformas interactivas para visualizar y analizar alineamientos de múltiples secuencias. Estas herramientas ofrecen funcionalidades para resaltar regiones conservadas de la secuencia, identificar motivos y explorar relaciones evolutivas entre las secuencias.[11]​

Estructura tridimensional de la proteína CYP4F2 (leucotrieno-B4 omega-hidroxilasa 1), mostrando el plegamiento característico de una enzima de la familia del citocromo P450.
Estructura proteica de CYP4F2 (leucotrieno-B4 omega-hidroxilasa 1). Fuente: Wikimedia Commons, el repositorio multimedia libre. Recuperado el 20 de abril de 2024, de https://commons.wikimedia.org/wiki/File:CYP4F2_protein_structure.png

Herramientas de alineamiento de estructuras proteicas: herramientas como PyMOL y UCSF Chimera permiten la visualización de alineamientos de secuencias en el contexto de estructuras proteicas. Al superponer secuencias alineadas sobre estructuras de proteínas, los investigadores pueden analizar la disposición espacial de residuos conservados y dominios funcionales. [12]​

Visualización de árboles filogenéticos: Las herramientas de visualización de árboles filogenéticos, como FigTree e iTOL, permiten a los investigadores visualizar las relaciones evolutivas inferidas a partir de alineamientos de secuencias. Estas herramientas ofrecen representaciones interactivas de árboles filogenéticos, destacando las longitudes de las ramas, los valores de soporte de los nodos y las distancias evolutivas.[13]​

Navegador genómico: Los navegadores genómicos, como UCSC Genome Browser y Ensembl, proporcionan plataformas integrales para la visualización de alineamientos de secuencias a lo largo de genomas completos. Los investigadores pueden explorar anotaciones del ADN, elementos regulatorios y datos de genómica comparativa dentro del contexto de las secuencias genómicas.[14]​

Aplicaciones

editar
Diagrama que compara la taxonomía tradicional de los protistas con su filogenia, mostrando las relaciones evolutivas entre eucariotas y evidenciando la parafilia de varios grupos de protistas.
Taxonomía de protistas frente a filogenia: Este diagrama muestra la filogenia de los eucariotas basada en análisis recientes, superpuesta sobre la taxonomía actual de los protistas a nivel de reino y subreino. El propósito de la imagen es demostrar la parafilia de la mayoría de los grupos de protistas, en particular aquellos pertenecientes al reino Protozoa, como los subreinos Eozoa y Sarcomastigota. Fuente: Wikimedia Commons, el repositorio multimedia libre. Recuperado el 20 de abril de 2024, de https://commons.wikimedia.org/wiki/File:Protista_taxonomy_vs_phylogeny.png

La visualización de alineamientos de secuencias genómicas se emplea en diversas aplicaciones y desempeña un papel crucial en múltiples áreas de la genómica y la bioinformática, al permitir a los investigadores analizar, interpretar y extraer información valiosa de los datos genéticos. Sus aplicaciones son diversas y abarcan un amplio espectro de campos de investigación. Algunas de las principales incluyen:

Genómica comparativa: La visualización de alineamientos de secuencias es esencial en los estudios de genómica comparativa, donde los investigadores comparan secuencias genéticas entre distintas especies para identificar relaciones evolutivas, regiones de secuencia conservadas y elementos funcionales. Las herramientas de visualización facilitan la detección de similitudes y diferencias entre genomas, contribuyendo al estudio de los procesos evolutivos. [9]​

Captura del UCSC Genome Browser que muestra múltiples pistas del proyecto ENCODE alineadas sobre una región genómica, incluyendo datos de regulación, expresión y anotaciones funcionales.
Vista de las pistas del proyecto ENCODE en el UCSC Genome Browser. Fuente: Wikimedia Commons, el repositorio multimedia libre. Recuperado el 20 de abril de 2024, de https://commons.wikimedia.org/wiki/File:EncodeSample.png

Análisis de variantes: En el ámbito de la genética y la medicina personalizada, la visualización de alineamientos de secuencias se utiliza para el análisis de variantes, con el fin de identificar polimorfismos de un solo nucleótido (SNP), inserciones, deleciones y otras variaciones genéticas. Las herramientas de visualización permiten a los investigadores localizar variaciones específicas en las secuencias genómicas y evaluar su posible impacto en los rasgos fenotípicos. [15]​

Análisis filogenético: Los estudios de filogenia se apoyan en la visualización de alineamientos de secuencias para la construcción de árboles filogenéticos y el análisis de las relaciones genéticas entre especies o poblaciones. Las herramientas de visualización permiten a los investigadores observar similitudes entre secuencias, calcular distancias evolutivas e inferir relaciones filogenéticas a partir de alineamientos de secuencias.[16]​

Genómica funcional: En la investigación en genómica funcional, la visualización de alineamientos de secuencias se emplea para estudiar la expresión génica, los elementos regulatorios y las interacciones proteína-proteína. Al visualizar alineamientos de secuencias en el contexto de anotaciones funcionales y redes génicas, los investigadores pueden dilucidar las funciones biológicas y los mecanismos regulatorios de los genes.[17]​

Bioinformática estructural: La visualización de alineamientos de secuencias es fundamental en la bioinformática estructural, donde los investigadores analizan secuencias y estructuras de proteínas para comprender su organización tridimensional y sus propiedades funcionales. Las herramientas de visualización facilitan el alineamiento de secuencias proteicas, la predicción de motivos estructurales y la exploración de interacciones proteína-proteína.[11]​

Visualización macromolecular

editar

La visualización de macromoléculas es fundamental para una comprensión detallada de las complejas estructuras y funciones que sustentan los sistemas biológicos. Se han logrado avances notables en la representación tridimensional de estas macromoléculas, que abarcan carbohidratos, proteínas, ácidos nucleicos y sus complejos. Los recientes desarrollos en las metodologías de visualización han provocado un avance significativo en nuestra capacidad para percibir las sutilezas de los datos biológicos. Estas visualizaciones sofisticadas proporcionan un nivel sin precedentes de claridad y detalle, lo que mejora nuestra comprensión de los fundamentos mecanísticos que gobiernan el comportamiento y la interacción de las entidades biológicas. [18]​

Técnicas

editar
Animación de renderización de volumen que muestra la reconstrucción de datos tridimensionales mediante la visualización progresiva de estructuras internas usando técnicas de shear-warp.
Renderización de volumen

La segmentación mejora la interpretación de las imágenes biológicas, y las herramientas automatizadas optimizan el análisis de los datos. Esto ha dado lugar a un aumento en el uso de visualización basada en la web para segmentaciones tridimensionales. La segmentación desempeña un papel fundamental en la interpretación de los datos de imágenes biológicas. La aparición de tecnologías avanzadas de segmentación automatizada, junto con su incorporación en repositorios públicos de datos de imagen, mejora significativamente el proceso de interpretación. [19]​

La renderización de volumen revela estructuras macromoleculares internas sin necesidad de segmentación, proporcionando una visualización no invasiva del interior de las moléculas.

La integración de datos experimentales en las visualizaciones, como la superposición de mutaciones o datos de unión, ofrece una comprensión más profunda. Esto puede representarse como mapas de calor o gradientes sobre la molécula, lo cual es fundamental para gestionar la creciente complejidad de los datos biomoleculares. [20]​

La visualización interactiva en 3D permite una interacción directa con las macromoléculas, posibilitando su manipulación, como la rotación y el zoom, lo que mejora la comprensión.

Visualización tridimensional interactiva de la estructura Per-Tau, mostrando nubes moleculares formadoras de estrellas alrededor del Sol en una representación espacial detallada.
Visualización interactiva en 3D

La realidad virtual y la realidad aumentada ofrecen métodos inmersivos para interactuar con macromoléculas, proporcionando una perspectiva tridimensional que las herramientas basadas en pantallas no pueden igualar. También se han desarrollado aplicaciones de realidad aumentada para ayudar a los estudiantes a visualizar e interactuar con estructuras macromoleculares en 3D, abordando las limitaciones de las imágenes tradicionales en 2D para transmitir detalles espaciales y percepción de profundidad. [21]​

La animación de actividades moleculares ilustra el comportamiento dinámico de las biomoléculas, funcionando como una potente herramienta educativa y de investigación. Al utilizar tecnología del motor de videojuegos Unity3D, este enfoque democratiza la creación de herramientas interactivas de visualización molecular, dando lugar a una plataforma fácil de usar que simplifica la representación de datos biológicos complejos. [22]​

La visualización mediante computación de alto rendimiento permite el renderizado en tiempo real de conjuntos de datos masivos y complejos, lo cual es esencial para el análisis avanzado de macromoléculas. El software que aprovecha la computación de alto rendimiento analiza de manera dinámica y eficiente las interacciones fármaco-receptor mediante simulaciones de dinámica molecular, proporcionando información profunda y predicciones sobre la eficacia de los fármacos, además de facilitar su visualización. [23]​

Las técnicas de visualización híbrida combinan diversos métodos para proporcionar una visión multifacética de las moléculas, integrando posiciones atómicas detalladas con una comprensión global de la estructura y el volumen.

Visualización en diferentes tipos de macromoléculas

editar
Estructura cristalográfica de una cinasa de carbohidratos de Bacillus subtilis (PDB: 1KYH), representada en diagrama de cintas con colores tipo arcoíris que indican la progresión desde el extremo N (azul) hasta el extremo C (rojo).
Cinasa de carbohidratos 1KYH

Visualización de carbohidratos

editar

Las visualizaciones del módulo de unión a carbohidratos (CBM) de la celulasa analizan sus interacciones con la celulosa durante la hidrólisis desde tres perspectivas: la adsorción del CBM a la celulosa, su ocupación espacial y la accesibilidad de la superficie de la celulosa al CBM.

Visualización de proteínas

editar
Animación de la estructura tridimensional de la hemoglobina humana (α₂β₂), mostrando sus cuatro subunidades proteicas organizadas en un tetrámero.
Hemoglobina humana alfa₂beta₂

El RCSB Protein Data Bank (RCSB PDB), respaldado por importantes agencias científicas de Estados Unidos, ha sido un recurso fundamental para los biólogos estructurales a nivel mundial y actúa como el centro de datos de EE. UU. dentro de la colaboración del Worldwide Protein Data Bank (wwPDB). Como archivo oficial designado, el RCSB PDB garantiza la seguridad de los datos del PDB y presta servicio cada año a decenas de miles de depositantes de datos en todos los continentes habitados, utilizando diversos métodos de determinación estructural. El portal web RCSB.org proporciona acceso sin restricciones a los datos del PDB a millones de usuarios en todo el mundo. Este artículo detalla el crecimiento y la evolución del archivo con el avance de las técnicas experimentales, el papel fundamental de los estándares e integración de datos, y la introducción de nuevas herramientas y funcionalidades para el análisis estructural tridimensional y la visualización durante el último año. [24]​

Visualización de ácidos nucleicos

editar

Los investigadores han desarrollado un método rápido, sencillo y preciso para detectar el virus de la rinotraqueítis infecciosa bovina (IBRV) en el ganado, un virus conocido por causar infecciones crónicas y generar importantes impactos económicos. Este método integra la amplificación por recombinasa polimerasa (RPA) con una tira de visualización de flujo vertical (VF) para formar un ensayo RPA-VF dirigido al gen de la timidina quinasa, lo que garantiza una detección rápida, alta especificidad y ausencia de reactividad cruzada con otros patógenos. [25]​

Moléculas grandes no poliméricas

editar

La visualización de materiales a escala nanométrica es fundamental para comprender sus relaciones estructura-función, y por lo general requiere técnicas avanzadas de microscopía y análisis que proporcionen imágenes de alta resolución y gran aumento.

Imágenes de microscopía electrónica (TEM y SEM) de nanopartículas de sílice mesoporosa con diferentes tamaños (aproximadamente 20, 45 y 80 nm), mostrando su estructura porosa y morfología a escala nanométrica.
Nanopartícula de sílice mesoporosa

Las nanopartículas son partículas diminutas que miden entre 1 y 100 nanómetros. Debido a su pequeño tamaño y a su alta relación superficie-volumen, presentan propiedades químicas y físicas únicas. La visualización de nanopartículas se logra generalmente mediante técnicas de alta resolución como la microscopía electrónica de transmisión (TEM), la microscopía electrónica de barrido (SEM), la microscopía de fuerza atómica (AFM) y la dispersión dinámica de la luz (DLS) para el análisis de la distribución de tamaño. [26]​[27]​

Diagrama esquemático de la estructura de un nanocompuesto que muestra una fase nanocristalina incrustada dentro de una matriz amorfa, con etiquetas en alemán que describen sus componentes.
Estructura de un nanocompuesto (en alemán)

Los nanocompuestos son materiales que incorporan nanopartículas dentro de una matriz de otro material, como polímeros, cerámicas o metales. Estos compuestos suelen presentar propiedades mejoradas, como mayor resistencia o conductividad eléctrica. La visualización de la distribución e interacción de las nanopartículas dentro de la matriz puede realizarse mediante técnicas como la microscopía electrónica de transmisión (TEM), la microscopía electrónica de barrido (SEM) y la difracción de rayos X (XRD).

Los nanotubos, específicamente los nanotubos de carbono (CNTs), son estructuras cilíndricas con diámetros tan pequeños como 1 nanómetro. Poseen propiedades mecánicas, eléctricas y térmicas notables, y se utilizan en diversas aplicaciones, desde la ciencia de materiales hasta la nanotecnología. La visualización de los nanotubos generalmente requiere técnicas como la microscopía electrónica de transmisión (TEM), la microscopía electrónica de barrido (SEM) o la microscopía de fuerza atómica (AFM).

Animación de un nanotubo de carbono de pared simple en configuración zigzag que rota, mostrando su estructura cilíndrica formada por una red hexagonal de átomos de carbono.
Nanotubo de carbono (pared simple, tipo zigzag)

Las nanofibras son fibras con diámetros en la escala nanométrica. Se producen mediante procesos como el electrohilado y tienen aplicaciones en áreas como la filtración, los textiles y la biomedicina. Las nanofibras pueden visualizarse mediante microscopía electrónica de barrido (SEM), que proporciona imágenes detalladas de su morfología y distribución.

Visualización de las interacciones entre macromoléculas

editar

Las interacciones proteína-carbohidrato fueron visualizadas mediante átomos de hidrógeno en un complejo lectina-fucosa perdeuterado.[25]​ El acoplamiento computacional (docking) desempeña un papel fundamental en la biología estructural, con software que proporciona plataformas web fáciles de usar para modelar diversas interacciones macromoleculares, como complejos flexibles y ensamblajes asociados a membranas. Esto mejora la accesibilidad y enriquece la experiencia del usuario dentro de la comunidad de biología estructural. [28]​

Imagen de microscopía electrónica de barrido (SEM) de nanofibras obtenidas por electrohilado, mostrando una red de fibras delgadas entrelazadas con diámetros en la escala nanométrica.
Nanofibras

Herramientas

editar

PyMOL, UCSF Chimera, UCSF ChimeraX, Jmol, VMD, Swiss-PdbViewer, Coot, BIOVIA Discovery Studio, LightDock y Maestro (Schrödinger, LLC) son herramientas clave en la visualización molecular, cada una ofreciendo capacidades únicas que van desde la obtención de imágenes 3D de alta calidad y el análisis interactivo hasta el apoyo para realidad virtual y simulaciones a gran escala, atendiendo diversas necesidades en modelado molecular, publicación y educación tanto en plataformas de código abierto como comerciales.

Biología de sistemas

editar
Comparación de una red metabólica antes y después del análisis de balance de flujo (FBA), mostrando cambios en las rutas metabólicas y en la distribución del flujo de metabolitos a través del sistema.
Una red metabólica antes y después del análisis de balance de flujo

La biología de sistemas es una rama de la visualización de datos biológicos dedicada al análisis y modelado de sistemas biológicos complejos. Entre los modelos computacionales más utilizados se encuentran los cálculos de procesos, como el π-cálculo estocástico, y la reconstrucción y análisis basados en restricciones (COBRA), un enfoque que considera las restricciones físicas, enzimáticas y topológicas que subyacen a un fenotipo dentro de una red metabólica. [29]​[30]​

Imagen de una sección completa de un ratón obtenida mediante espectrometría de masas, en la que las áreas verdes indican la distribución espacial de fármacos y metabolitos en diferentes tejidos del cuerpo.
Sección de todo el cuerpo de un ratón obtenida mediante espectrometría de masas, donde las partículas verdes representan la distribución de fármacos y metabolitos dentro de su organismo.[31]​

La mayor parte de la visualización de datos en biología de sistemas se realiza utilizando modelos generados matemáticamente. Los investigadores representan todos los caminos de proteínas, genes o rutas metabólicas en un sistema biológico determinado y, posteriormente, determinan la velocidad de las reacciones en dicho sistema utilizando la cinética de acción de masas o la cinética enzimática. Estos valores se emplean como parámetros para construir ecuaciones diferenciales que representan el sistema, las cuales pueden utilizarse para determinar el comportamiento de los elementos dentro de ese sistema. También existen enfoques alternativos de modelado matemático; por ejemplo, un método COBRA, como el análisis de balance de flujo, puede emplearse para analizar el flujo de metabolitos a través de una red metabólica específica. [32]​

Otro método clave de imagen en biología de sistemas es la espectrometría de masas, que puede utilizarse para visualizar la distribución espacial de compuestos, biomarcadores, metabolitos, péptidos o proteínas dentro del organismo. Esto resulta especialmente útil en la metabolómica, una rama de la biología de sistemas que emplea la espectrometría de masas para medir la distribución de metabolitos y, posteriormente, utiliza la intensidad medida para construir una imagen. [33]​

Las herramientas de software más utilizadas en el modelado de biología de sistemas incluyen massPy, [34]​Cytosim,[35]​ y PySB.[36]​

Visualización microscópica

editar

Además de la microscopía óptica y electrónica, también se utilizan otras técnicas de visualización, como la microscopía de sonda de barrido (SPM), ultravioleta, infrarroja, holografía digital, láser y microscopía amateur (de uso no profesional).

Diagrama que muestra diferentes técnicas de imagenología microbiana, incluyendo microscopía óptica, fluorescente y electrónica, utilizadas para observar microorganismos.
Imagenología microbiana

Nuevos enfoques

editar

Existe un estudio que investiga el uso de la microscopía de dos fotones, una técnica capaz de obtener imágenes a profundidades de hasta 800 μm mediante absorción de dos fotones, para visualizar agentes microrrobóticos debajo de tejido biológico, demostrando su potencial transformador tanto para aplicaciones de microrrobótica in vitro como in vivo. [37]​

Los investigadores utilizaron microscopía óptica de campo claro con iluminación led pulsada de alta intensidad para capturar imágenes detalladas de células vivas con una profundidad de 12 bits por canal, abordando las distorsiones de los datos causadas por las interacciones de la trayectoria óptica y las anomalías del sensor mediante un enfoque integral de calibración espectroscópica, lo que permitió la visualización con una pérdida mínima de información en una profundidad de intensidad de 8 bits. [38]​

Los investigadores exploraron una iniciativa impulsada por la comunidad científica enfocada en mejorar la representación de los datos de microscopía óptica en publicaciones científicas mediante la adopción de los "Principios FAIR de Datos", los cuales buscan mejorar la localización, accesibilidad, interoperabilidad y reproducibilidad de los datos. A pesar de los desafíos persistentes relacionados con la calidad de los datos y la comunicación científica, la iniciativa destaca el papel de la colaboración científica global en el avance de los estándares de imagen y aprovecha perspectivas históricas para orientar y promover futuros avances en la obtención de imágenes biológicas.[39]​

Resonancia magnética

editar
Imagen de angiografía por resonancia magnética que muestra el flujo sanguíneo en los vasos del cuello y el cerebro.
Flujo sanguíneo en el cuello y el cerebro representado mediante angiografía por resonancia magnética.

La obtención de imágenes por resonancia magnética (MRI) por sus siglas en inglés, es una forma común de visualización de datos biológicos utilizada para generar imágenes de procesos biológicos internos. Diferentes configuraciones de pulsos de radiofrecuencia y gradientes producen distintas apariencias de imagen; estas combinaciones se conocen como secuencias de MRI. Un subconjunto particularmente importante de la MRI es la angiografía por resonancia magnética, que consiste en un grupo de técnicas utilizadas para obtener imágenes de arterias y venas. La utilidad de la MRI se amplía aún más mediante la MRI por difusión y la MRI funcional, las cuales pueden utilizarse para visualizar tractos neuronales y flujo sanguíneo, respectivamente.

Imagen obtenida con DTI que muestra fibras nerviosas en corte sagital del cerebro.
Fibras sagitales representadas mediante imagen por tensor de difusión (DTI).

LA MRI por dufisión se basa además en la obtención de imágenes por tensor de difusión (DTI), que mide la difusión y direccionalidad de las moléculas de agua, y en la obtención de imágenes del espectro base de difusión (DBSI), que extrae múltiples tensores de difusión anisotrópicos e isotrópicos.[40]​[41]​La MRI funcional se basa en el contraste dependiente del nivel de oxígeno en sangre (BOLD), el cual mide la proporción de hemoglobina oxigenada en áreas específicas del cerebro; esto le permite medir y modelar la actividad cerebral en función del flujo sanguíneo.[42]​Otras técnicas de MRI incluyen los pulsos de saturación (utilizados para reducir artefactos de movimiento), el eco de gradiente (como el realce dinámico por contraste, el eco de espín y la ponderación por difusión, un método de generación de contraste de señal basado en diferencias en el movimiento Browniano). [43]​[44]​[45]​

Comparación de imágenes de resonancia magnética ponderadas en T1, T2 y densidad protónica, mostrando diferencias en el contraste de los tejidos.
Ejemplos de imágenes de resonancia magnética ponderadas en T1, T2 y densidad protónica (PD).

Para generar una imagen observable mediante MRI, el objetivo se coloca dentro de un campo magnético potente, como el de un equipo de resonancia magnética. Esto provoca que los ejes de los protones de hidrógeno presentes en el objetivo, que normalmente se encuentran alineados de forma aleatoria en equilibrio, se orienten en la misma dirección, creando un vector magnético alineado con el eje del imán. Esta orientación también permite medie el espín, o frecuencia de rotación, de los protones de hidrógeno. Posteriormente, esta alineación se altera mediante pulsos de radiofrecuencia (RF), un tipo de radiación electromagnética no ionizante.[46]​ Cuando el campo magnético se elimina, los protones de hidrógeno regresan a su estado de equilibrio en un proceso conocido como relajación y, al hacerlo, emiten energía de radiofrecuencia. [47]​Los diferentes tejidos se relajan a distintas velocidades, lo que permite a los científicos utilizar secuencias específicas de pulsos de RF para resaltar determinados tejidos o anomalías.

Después de un periodo de tiempo tras el pulso de RF, se miden las señales de energía de radiofrecuencia emitidas por los protones para obtener información de frecuencia de cada ubicación en el plano de imagen. Posteriormente, se utiliza la transformada de Fourier para convertir esta información de frecuencia en niveles de intensidad, los cuales se representan como distintos tonos de gris en la imagen generada.

Imagen axial de RM ponderada en FLAIR donde se observan múltiples lesiones en la sustancia blanca de ambos hemisferios cerebrales.
Corte axial de resonancia magnética ponderado en FLAIR que muestra múltiples lesiones de la sustancia blanca en los hemisferios cerebrales.

En general, se miden dos aspectos del proceso de relajación: el tiempo que tarda el vector magnético en regresar a su estado de reposo, también conocido como T1 o relajación espín-red, y el tiempo que tarda el espín axial de los protones de hidrógeno en volver a su estado de reposo, conocido como T2 o relajación espín-espín. [48]​Para crear una imagen ponderada en T1, la señal de resonancia magnética (RM) se mide cambiando el intervalo de tiempo entre los pulsos de RF (también conocido como tiempo de repetición, o TR). Para crear una imagen ponderada en T2, la señal de RM se mide cambiando la cantidad de tiempo entre la aplicación del pulso RF y la recepción de las señales de energía de RF provenientes de los protones de hidrógeno (también conocido como tiempo de eco, o TE). En las imágenes ponderadas en T1, las intensidades de señal predominantes corresponden a los líquidos (negros debido a su baja intensidad), el músculo (gris debido a una intensidad intermedia) y la grasa (blanca debido a su alta intensidad). En muchas secuencias ponderadas en T1 se aplica supresión de grasa para reducir el brillo de la señal producida por esta. Por otra parte, en las imágenes ponderadas en T2, las intensidades predominantes corresponden a los líquidos (blancos), el músculo (gris) y la grasa (blanca). Las señales T2 también suelen enfatizarse o suprimirse según el objetivo de la obtención de imágenes; algunos ejemplos notables incluyen la supresión de grasa, la atenuación de líquidos y la ponderación por susceptibilidad.

También destacan las imágenes ponderadas en densidad protónica (PD), las cuales se generan utilizando un TR largo y un TE corto. La PD es útil para diferenciar entre líquido, cartílago hialino y fibrocartílago, lo que la hace ideal para la obtención de imágenes articulares. Fuera de la visualización de articulaciones, ha sido reemplazada en gran medida por la recuperación de inversión con atenuación de líquido, por sus siglas en inglés FLAIR (Fluid Attenuated Inversion Recovery), una secuencia de recuperación por inversión que elimina la señal del líquido cefalorraquídeo. [49]​

Tomografía

editar
Imagen de TC con contraste de una arteria pulmonar que muestra una embolia en el centro (gris) diferenciada de la sangre circundante (negra) gracias al uso de radiocontraste.
Tomografía computarizada con contraste de una arteria pulmonar con una embolia. Nótese el contraste entre la embolia (centro, gris) y la sangre circundante (negra). Esto se debe a que la sangre contiene un agente de radiocontraste negativo; sin el radiocontraste, la sangre y la embolia podrían ser indistinguibles.

La tomografía computarizada (TC) y la tomografía por emisión de positrones (PET) son similares a la resonancia magnética (RM), pero se basan en técnicas de imagen diferentes (rayos X y radiación ionizante, respectivamente). Una variante de la TC, conocida como TC con contraste, también requiere que el paciente reciba un medio de contraste llamado radiocontraste (generalmente por vía oral, enema o inyección). Los agentes de radiocontraste positivos, como el sulfato de bario, aumentan la atenuación de los rayos X en el cuerpo, haciendo que los tejidos que los contienen se vean más blancos en la imagen de rayos X. Por otro lado, los agentes negativos, como el gas dióxido de carbono, permiten que los rayos X los atraviesen fácilmente, haciendo que los tejidos que los contienen se vean más oscuros. [50]​

Comparación de imágenes de un tumor bronquial obtenidas con diferentes técnicas: TC, PET, PET-TC y PET con proyección de intensidad máxima (MIP).
Imágenes de un tumor bronquial obtenidas mediante TC, PET, PET-TC y PET con MIP.

Al igual que la resonancia magnética, las tomografías computarizadas (TC) utilizan numerosos métodos para mostrar y medir los datos, incluyendo la TC secuencial (en la que la mesa se desplaza de una posición a otra), la TC helicoidal o espiral (en la que el tubo de rayos X gira completamente alrededor del paciente) y la tomografía por haz de electrones (en la que sólo se desvían las trayectorias de los electrones mediante bobinas de deflexión). Los escáneres PET no presentan tanta variación en el hardware y, en su lugar, utilizan diferentes radiofármacos (radiotrazadores) dependiendo del objetivo de la imagen. Es importante destacar que los radiotrazadores osn distintos de los medios de contraste radiológico: los primeros dependen de la degradación radiactiva para rastrear su trayectoria, mientras que los segundos se absorben en tejidos específicos y modifican la atenuación de los rayos X en dichos tejidos.Dado que estos métodos no son mutuamente excluyentes, la PET y la TC pueden realizarse de forma simultánea mediante escánees PET-TC, los cuales se utilizan en la mayoría de los estudios PET modernos. [51]​

Cualquiera de estos métodos, o ambos, pueden utilizarse junto con la proyección de intensidad máxima (MIP) para convertir los datos del escaneo a una imagen tridimensional. Esto puede ser difícil de lograr debido a los artefactos generados por la respiración y el flujo sanguíneo, los cuales pueden parecer anomalías para un ojo no entrenado; sin embargo, es posible distinguir estos artefactos de una enfermedad real siempre que se les preste la debida atención. [52]​ Cuando se realiza correctamente, las tomografías computarozadas (TC) y las tomografías por emisión de positrones (PET) obtenidas con MIP son excelentes para identificar pequeños crecimientos anormales de tejido, especialmente en los pulmones. Las imágenes obtenidas con MIP para este propósito tienden a tener mayor relevancia que las imágenes promediadas creadas con la TC tradicional. [53]​

Las imágenes mediante proyección de intensidad máxima (MIP) también se utilizan en la angiografía por resonancia magnética, y diversas investigaciones han indicado que podrían emplearse de manera viable con la resonancia magnética (RM). [54]​ Al menos un estudio ha demostrado que la RM con MIP supera significativamente a la RM de corte único cuando es utilizada por redes neuronales para clasificar lesiones según su malignidad. [55]​

Alineación

editar

Un alineamiento de secuencias es una forma de organizar e interrelacionar las secuencias de proteínas, ARN o ADN para identificar regiones de similitud que pueden ser consecuencia de relaciones funcionales, estructurales o evolutivas entre ellas. En su forma básica, este análisis compara únicamente dos de estas secuencias, lo que se conoce como alineamiento de secuencias por pares. En este contexto, los alineamientos globales que intentan emparejar cada residuo de principio a fin son más útiles cuando las secuencias del conjunto de consulta son similares y de tamaño equiparable. Por el contrario, los alineamientos locales resultan más eficaces para secuencias disímiles que se sospecha que contienen regiones de similitud o motivos de secuencia similares dentro de su contexto de secuencia más amplio. Por otro lado, el alineamiento múltiple de secuencias es una extensión del alineamiento por pares que incorpora tres o más secuencias presentes en cada conjunto de consulta. Esta metodología se utiliza con gran frecuencia para identificar regiones de secuencias conservadas dentro de un grupo de secuencias sobre las cuales se hipotetiza una relación evolutiva o filogenética.

Propósitos de la visualización de alineación

editar
  • Comprensión a gran escala: Facilita el análisis panorámico de grandes volúmenes de datos genómicos y proteómicos, permitiendo a los investigadores identificar ágilmente patrones biológicos claros.[56]​
  • Generación de material gráfico: Resume conjuntos complejos de alineamientos de forma concisa para su publicación en literatura científica.
  • Curación manual: Dado que los algoritmos heurísticos no son perfectos, las herramientas visuales permiten revisar y corregir manualmente las pequeñas discrepancias generadas por el software computacional.[57]​

Representaciones gráficas de alineamientos

editar
Visualización generada mediante Jalview que muestra la comparación de nucleótidos utilizando un esquema de color estandarizado. Los guiones (-) representan huecos generados por eventos de inserción o deleción durante la divergencia evolutiva de las distintas cepas. En la parte inferior, el histograma negro ilustra el nivel de conservación de la secuencia consenso, permitiendo identificar visualmente las regiones genómicas altamente conservadas (columnas sólidas) frente a las zonas de mayor variabilidad.
  • Matriz Lineal (Regular): Los residuos de nucleótidos o aminoácidos se representan como filas en una matriz. Se insertan huecos (gaps) para alinear los caracteres idénticos o similares en columnas sucesivas. Es común asignar un color a cada nucleótido (en secuencias de ADN/ARN) o agruparlos por propiedades químicas (en proteínas). A menudo, la última fila muestra la secuencia consenso, la cual puede representarse gráficamente mediante un Logo de secuencia, donde el tamaño de cada letra es directamente proporcional a su grado de conservación en dicha posición.[58]​
  • Alineamiento Circular: Las técnicas tradicionales asumen que los extremos de una secuencia tienen una posición fija. Sin embargo, al alinear estructuras cerradas, la posición de inicio es totalmente arbitraria. Esta representación ajusta de forma dinámica los extremos para encontrar mejores coincidencias y es indispensable para visualizar genomas con estructura circular, como los de viroides, virus y el ADN mitocondrial.[59]​
  • Alineamiento en Espiral: La topología en espiral es equivalente a una matriz lineal estándar, pero condensa los datos para resumir secuencias extraordinariamente largas de forma práctica. Cada espiral individual representa una de las secuencias alineadas, conservando los espacios y esquemas de color para demostrar la homología.
  • Visualización Tridimensional (3D): A diferencia de las representaciones unidimensionales de aminoácidos, la visualización tridimensional proyecta los datos del alineamiento múltiple directamente sobre modelos estructurales. Herramientas como el Visor de Alineamiento de Grupos 1D-3D del Protein Data Bank (RCSB PDB) permiten explorar interactivamente la conservación a nivel de la estructura plegada. La plataforma del RCSB agrupa entidades proteicas (tanto estructuras experimentales del PDB como Modelos de Estructura Computacional o CSM) basándose en umbrales de identidad de secuencia y en su número de acceso de UniProt. Para cada grupo generado, se calcula un alineamiento múltiple de secuencias utilizando el algoritmo Clustal Omega, el cual se despliega en el visor con un esquema de colores específico: las posiciones de la secuencia proteica del PDB se representan en azul si el residuo fue determinado experimentalmente, y en gris si no lo fue. Por su parte, los modelos computacionales (CSM) se colorean de acuerdo con sus puntuaciones de confianza métrica local (pLDDT) RCSB Protein Data Bank. 1D-3D Alignment. Recuperado de la documentación oficial de RCSB PDB.

Software y entornos de visualización

editar

En la práctica bioinformática, la visualización y curación de alineamientos se lleva a cabo mediante diversos programas informáticos especializados. Existen herramientas de escritorio ampliamente utilizadas en la investigación, como MEGA (Molecular Evolutionary Genetics Analysis), que permiten a los científicos alinear secuencias, corregir alineamientos de forma visual y construir árboles filogenéticos a partir de datos homólogos.[60]​ Adicionalmente, el análisis masivo de datos biológicos se apoya frecuentemente en entornos de programación estadística como R (lenguaje de programación); librerías específicas como ggmsa o msa permiten renderizar alineamientos con esquemas de color personalizables y calidad de publicación, integrándose de manera directa y reproducible en las tuberías (pipelines) de trabajo computacional.[61]​

Esquema de color y propiedades bioquímicas

editar

En los alineamientos de proteínas, la asignación de colores no obedece a razones estéticas, sino a convenciones estandarizadas que agrupan a los aminoácidos según sus propiedades fisicoquímicas, tales como su polaridad, su carga (ácidos o básicos) y su hidrofobicidad. Sistemas clásicos de representación visual, como el esquema de color predeterminado de Clustal|ClustalX, asignan tonos específicos a grupos de residuos que comparten características funcionales, lo que facilita enormemente la identificación visual de dominios proteicos conservados.[62]​ De igual manera, la intensidad del sombreado o color en diversas plataformas de visualización está vinculada a métricas derivadas de matrices de sustitución (como BLOSUM o PAM). De este modo, las regiones o columnas del alineamiento con un mayor peso estadístico de conservación evolutiva destacan visualmente sobre las áreas genómicas que presentan una alta tasa de mutación o variabilidad.

Filogenias

editar
Árbol filogenético del grupo Hoplocercinae que muestra las relaciones evolutivas entre especies de lagartijas, con ramificaciones que representan la divergencia a partir de ancestros comunes.
Filogenia de Hoplocercinae

Un árbol filogenético es una representación esquemática de las relaciones evolutivas entre entidades biológicas que comparten un ancestro común, como especies o grupos taxonómicos. Estas relaciones se infieren a partir del análisis de características genéticas o moleculares, como secuencias de ADN, ARN o proteínas, lo que permite establecer similitudes y diferencias entre los organismos.[63]​

Dos procesos ocurren implícitamente a lo largo de las ramas de un árbol filogenético. El primero es el transcurso del tiempo: los nodos más profundos son más antiguos que los nodos más superficiales a los que están conectados. Por lo tanto, los nodos más profundos indican tanto relaciones más distantes entre los taxones terminales que conectan como una mayor antigüedad del ancestro común más reciente de dichos taxones. El segundo proceso es la modificación evolutiva, es decir, la acumulación de cambios genéticos hereditarios o estructurales a lo largo de estas ramas. El término «longitud de rama» suele referirse al número de estos cambios; cuando las longitudes de las ramas del árbol representan dicha cantidad, el árbol se denomina filograma.

Árbol filogenético convencional: Generalmente denominado dendrograma, es un diagrama compuesto por líneas rectas que representan una estructura en forma de árbol. En él se muestra un conjunto de nodos que representan taxones individuales, mientras que los nodos restantes representan los agrupamientos a los que pertenecen los datos, con conexiones que reflejan la distancia o grado de disimilitud entre ellos. La distancia entre los clústeres fusionados es monótona y aumenta con el nivel de la fusión: la altura de cada nodo en el diagrama es proporcional al valor de la disimilitud intergrupal entre sus dos ramas.

Cladograma de primates que muestra las relaciones evolutivas entre distintos grupos, con ramificaciones que representan la divergencia a partir de ancestros comunes sin indicar distancia evolutiva ni tiempo.
Cladograma de Primates

Cladograma: También es un diagrama compuesto por líneas rectas que representa una estructura en forma de árbol. A diferencia de un árbol evolutivo, el cladograma no muestra explícitamente las relaciones de ascendencia entre ancestros y descendientes ni la magnitud de los cambios ocurridos a lo largo del tiempo. Esto implica que más de un árbol evolutivo puede corresponder al mismo cladograma.

Árbol filogenético circular: Los árboles circulares se utilizan con frecuencia para ilustrar las relaciones entre los miembros de grandes grupos de organismos actuales, y pueden incluir un gran número de taxones terminales. Aunque pueda parecer contraintuitivo, un árbol filogenético circular contiene la misma información que un árbol filogenético convencional. La topología de la estructura se mantiene, y únicamente cambia la disposición gráfica para representar una mayor cantidad de información en un espacio más reducido.

Árbol filogenético circular que muestra las relaciones evolutivas entre secuencias ambientales de virus de ARN acuáticos de la familia Marnaviridae, con clados diferenciados por colores según los géneros.
Árbol filogenético circular de secuencias ambientales de géneros dentro de la familia Marnaviridae

Visualización en 3D: En un filograma, la distancia evolutiva se representa en uno de los ejes y los genes en otro. Para posibilitar la visualización de los parálogos, puede añadirse un tercer eje. En la disposición filogenética estándar en dos dimensiones (2D), no siempre resulta sencillo distinguir los eventos de duplicación génica (paralogía) de los eventos de especiación, ya que solo se dispone de un eje espacial (genes) para representar la combinación de ambos tipos de información. En contraste, en la representación filogenética en 3D (3DPE), estos pueden distinguirse con mayor claridad, ya que se proyectan sobre dos ejes ortogonales: especies (X) frente a parálogos (Z). Por ejemplo, la evolución de múltiples parálogos es visualmente evidente en la vista 3DPE (en tres especies de eucariotas, a la derecha), mientras que este patrón resulta menos claro en la representación en 2D. [64]​

Software de visualización

editar
Comparación entre un árbol filogenético bidimensional y uno tridimensional del grupo COG1222, donde ambos muestran las mismas relaciones evolutivas, pero el modelo 3D permite distinguir con mayor claridad eventos como duplicaciones génicas y relaciones entre especies.
Ambos árboles representan COG1222.
Nombre Descripción Tipo de datos Autor(es) Año
Procesamiento, análisis y visualización de imágenes médicas (MIPAV) Análisis cuantitativo y visualización de imágenes médicas para modalidades como PET, MRI, CT o microscopía.[65]​ Imagenología médica Centro de Tecnología de la Información de los Institutos Nacionales de Salud Desconocido
Jmol Applet de Java gratuito y de código abierto capaz de cargar múltiples moléculas con movimiento independiente, visualizar superficies y orbitales moleculares, cavidades y simetría cristalina. Molecular Dan Gezelter 2001
Molecular Operating Environment (MOE) Modela micro- y macromoléculas, complejos proteína-ligando y redes cristalinas. Molecular Grupo de Computación Química Desconocido
PyMOL Aplicación de código abierto en Python para el modelado de macromoléculas biológicas. Molecular Warren Delano 2017
FigTree Visor de árboles en Java capaz de leer múltiples formatos de archivos de árboles, colorear ramas y generar gráficos vectoriales. Árbol filogenético Andrew Rambaut Nov 6, 2006
Árbol interactivo de la vida (iTOL) Construye árboles y los anota con diversos tipos de datos. Árbol filogenético Ciccarelli FD et al.[66]​ Mar 3, 2006
Análisis de genética evolutiva molecular (MEGA) Proporciona múltiples algoritmos para la construcción de árboles filogenéticos, incluidos UPGMA, máxima verosimilitud, máxima parsimonia, entre otros. Árbol filogenético Masatoshi Nei, Sudhir Kumar, Koichiro Tamura, Glen Stecher, Daniel Peterson, Nicholas Peterson 1993
T-Coffee Realiza alineamientos múltiples de secuencias mediante un enfoque progresivo. Secuencias Cédric Notredame Oct 15, 2020
Cytoscape Plataforma de software de código abierto para la visualización de redes biológicas complejas.[67]​ Biología de sistemas Equipo Cytoscape Julio 2002
Medusa Software para construir y analizar conjuntos de reconstrucciones de redes metabólicas a escala genómica.[68]​ Biología de sistemas Gregory L. Medlock, Thomas J. Moutinho, Jason A. Papin 2001

Referencias

editar
  1. ↑ Lučić, Vladan; Förster, Friedrich; Baumeister, Wolfgang (1 de junio de 2005). «STRUCTURAL STUDIES BY ELECTRON TOMOGRAPHY: From Cells to Molecules». Annual Review of Biochemistry (en inglés) 74 (1): 833-865. ISSN 0066-4154. doi:10.1146/annurev.biochem.73.011303.074112. Consultado el 15 de abril de 2026. 
  2. ↑ Steven, Alasdair C.; Baumeister, Wolfgang (2008-09). «The future is hybrid». Journal of Structural Biology (en inglés) 163 (3): 186-195. doi:10.1016/j.jsb.2008.06.002. Consultado el 15 de abril de 2026. 
  3. ↑ Plattner, Helmut; Hentschel, Joachim (2006). Sub-Second Cellular Dynamics: Time-Resolved Electron Microscopy and Functional Correlation (en inglés) 255. Elsevier. pp. 133-176. ISBN 978-0-12-373599-7. doi:10.1016/S0074-7696(06)55003-X. Consultado el 15 de abril de 2026. 
  4. ↑ Frank, Joachim; Schlichting, Ilme (2004-09). «Time-resolved imaging of macromolecular processes and interactions». Journal of Structural Biology (en inglés) 147 (3): 209-210. doi:10.1016/j.jsb.2004.06.003. Consultado el 15 de abril de 2026. 
  5. ↑ Waterhouse, Andrew M.; Procter, James B.; Martin, David M. A.; Clamp, Michèle; Barton, Geoffrey J. (1 de mayo de 2009). «Jalview Version 2—a multiple sequence alignment editor and analysis workbench». Bioinformatics (en inglés) 25 (9): 1189-1191. ISSN 1367-4811. PMC 2672624. PMID 19151095. doi:10.1093/bioinformatics/btp033. Consultado el 15 de abril de 2026. 
  6. ↑ Katoh, K.; Standley, D. M. (1 de abril de 2013). «MAFFT Multiple Sequence Alignment Software Version 7: Improvements in Performance and Usability». Molecular Biology and Evolution (en inglés) 30 (4): 772-780. ISSN 0737-4038. PMC 3603318. PMID 23329690. doi:10.1093/molbev/mst010. Consultado el 15 de abril de 2026. 
  7. ↑ Kumar, Sudhir; Stecher, Glen; Li, Michael; Knyaz, Christina; Tamura, Koichiro (1 de junio de 2018). «MEGA X: Molecular Evolutionary Genetics Analysis across Computing Platforms». En Battistuzzi, Fabia Ursula, ed. Molecular Biology and Evolution (en inglés) 35 (6): 1547-1549. ISSN 0737-4038. PMC 5967553. PMID 29722887. doi:10.1093/molbev/msy096. Consultado el 2 de mayo de 2026. 
  8. ↑ Sievers, Fabian; Wilm, Andreas; Dineen, David; Gibson, Toby J; Karplus, Kevin; Li, Weizhong; Lopez, Rodrigo; McWilliam, Hamish et al. (2011-01). «Fast, scalable generation of high‐quality protein multiple sequence alignments using Clustal Omega». Molecular Systems Biology (en inglés) 7 (1). ISSN 1744-4292. PMC 3261699. PMID 21988835. doi:10.1038/msb.2011.75. Consultado el 2 de mayo de 2026. 
  9. ↑ a b Altschul, Stephen F.; Gish, Warren; Miller, Webb; Myers, Eugene W.; Lipman, David J. (1990-10). «Basic local alignment search tool». Journal of Molecular Biology (en inglés) 215 (3): 403-410. doi:10.1016/S0022-2836(05)80360-2. Consultado el 2 de mayo de 2026. 
  10. ↑ Schneider, Thomas D.; Stephens, R.Michael (1990). «Sequence logos: a new way to display consensus sequences». Nucleic Acids Research (en inglés) 18 (20): 6097-6100. ISSN 0305-1048. PMC 332411. PMID 2172928. doi:10.1093/nar/18.20.6097. Consultado el 2 de mayo de 2026. 
  11. ↑ a b Waterhouse, Andrew M.; Procter, James B.; Martin, David M. A.; Clamp, Michèle; Barton, Geoffrey J. (1 de mayo de 2009). «Jalview Version 2—a multiple sequence alignment editor and analysis workbench». Bioinformatics (en inglés) 25 (9): 1189-1191. ISSN 1367-4811. PMC 2672624. PMID 19151095. doi:10.1093/bioinformatics/btp033. Consultado el 2 de mayo de 2026. 
  12. ↑ Pettersen, Eric F.; Goddard, Thomas D.; Huang, Conrad C.; Couch, Gregory S.; Greenblatt, Daniel M.; Meng, Elaine C.; Ferrin, Thomas E. (2004-10). «UCSF Chimera—A visualization system for exploratory research and analysis». Journal of Computational Chemistry (en inglés) 25 (13): 1605-1612. ISSN 0192-8651. doi:10.1002/jcc.20084. Consultado el 2 de mayo de 2026. 
  13. ↑ Rambaut, A. «FigTree: Tree figure drawing tool. Molecular evolution, phylogenetics and epidemiology.». tree.bio.ed.ac.uk. Consultado el 2012. 
  14. ↑ Kent, W. James; Sugnet, Charles W.; Furey, Terrence S.; Roskin, Krishna M.; Pringle, Tom H.; Zahler, Alan M.; Haussler, and David (1 de junio de 2002). «The Human Genome Browser at UCSC». Genome Research (en inglés) 12 (6): 996-1006. ISSN 1088-9051. PMC 186604. PMID 12045153. doi:10.1101/gr.229102. Consultado el 2 de mayo de 2026. 
  15. ↑ McLaren, William; Gil, Laurent; Hunt, Sarah E.; Riat, Harpreet Singh; Ritchie, Graham R. S.; Thormann, Anja; Flicek, Paul; Cunningham, Fiona (2016-12). «The Ensembl Variant Effect Predictor». Genome Biology (en inglés) 17 (1). ISSN 1474-760X. PMC 4893825. PMID 27268795. doi:10.1186/s13059-016-0974-4. Consultado el 2 de mayo de 2026. 
  16. ↑ Felsenstein, Joseph (1985-07). «CONFIDENCE LIMITS ON PHYLOGENIES: AN APPROACH USING THE BOOTSTRAP». Evolution (en inglés) 39 (4): 783-791. ISSN 0014-3820. doi:10.1111/j.1558-5646.1985.tb00420.x. Consultado el 2 de mayo de 2026. 
  17. ↑ Khatri, Purvesh; Sirota, Marina; Butte, Atul J. (23 de febrero de 2012). «Ten Years of Pathway Analysis: Current Approaches and Outstanding Challenges». En Ouzounis, Christos A., ed. PLoS Computational Biology (en inglés) 8 (2): e1002375. ISSN 1553-7358. PMC 3285573. PMID 22383865. doi:10.1371/journal.pcbi.1002375. Consultado el 2 de mayo de 2026. 
  18. ↑ «RCSB PDB - 3D View». www.rcsb.org. Consultado el 2 de mayo de 2026. 
  19. ↑ Chareshneu, Aliaksei; Midlik, Adam; Ionescu, Crina-Maria; Rose, Alexander; Horský, Vladimír; Cantara, Alessio; Svobodová, Radka; Berka, Karel et al. (5 de julio de 2023). «Mol* Volumes and Segmentations: visualization and interpretation of cell imaging data alongside macromolecular structure data and biological annotations». Nucleic Acids Research (en inglés) 51 (W1): W326-W330. ISSN 0305-1048. PMC 10320116. PMID 37194693. doi:10.1093/nar/gkad411. Consultado el 2 de mayo de 2026. 
  20. ↑ Sehnal, David; Svobodová, Radka; Berka, Karel; Rose, Alexander S.; Burley, Stephen K.; Velankar, Sameer; Koča, Jaroslav (1 de enero de 2021). «High-performance macromolecular data delivery and visualization for the web. Corrigendum». Acta Crystallographica Section D Structural Biology 77 (1): 126-126. ISSN 2059-7983. doi:10.1107/S205979832001606X. Consultado el 2 de mayo de 2026. 
  21. ↑ Sung, Rou-Jia; Wilson, Andrew T.; Lo, Stanley M.; Crowl, Logan M.; Nardi, Joseph; St. Clair, Katie; Liu, Jane M. (14 de enero de 2020). «BiochemAR: An Augmented Reality Educational Tool for Teaching Macromolecular Structure and Function». Journal of Chemical Education (en inglés) 97 (1): 147-153. ISSN 0021-9584. doi:10.1021/acs.jchemed.8b00691. Consultado el 2 de mayo de 2026. 
  22. ↑ Werner, Erik (16 de mayo de 2022). «Strategies for the Production of Molecular Animations». Frontiers in Bioinformatics 2. ISSN 2673-7647. PMC 9580893. PMID 36304328. doi:10.3389/fbinf.2022.793914. Consultado el 2 de mayo de 2026. 
  23. ↑ Pieroni, Michele; Madeddu, Francesco; Di Martino, Jessica; Arcieri, Manuel; Parisi, Valerio; Bottoni, Paolo; Castrignanò, Tiziana (19 de julio de 2023). «MD–Ligand–Receptor: A High-Performance Computing Tool for Characterizing Ligand–Receptor Binding Interactions in Molecular Dynamics Trajectories». International Journal of Molecular Sciences (en inglés) 24 (14): 11671. ISSN 1422-0067. PMC 10380688. PMID 37511429. doi:10.3390/ijms241411671. Consultado el 2 de mayo de 2026. 
  24. ↑ Burley, Stephen K.; Bhikadiya, Charmi; Bi, Chunxiao; Bittrich, Sebastian; Chen, Li; Crichlow, Gregg V.; Duarte, Jose M.; Dutta, Shuchismita et al. (2022-01). «RCSB Protein Data Bank: Celebrating 50 years of the PDB with new tools for understanding and visualizing biological macromolecules in 3D». Protein Science (en inglés) 31 (1): 187-208. ISSN 0961-8368. PMC 8740825. PMID 34676613. doi:10.1002/pro.4213. Consultado el 2 de mayo de 2026. 
  25. ↑ a b Gajdos, Lukas; Blakeley, Matthew P.; Kumar, Atul; Wimmerová, Michaela; Haertlein, Michael; Forsyth, V. Trevor; Imberty, Anne; Devos, Juliette M. (2021-09). «Visualization of hydrogen atoms in a perdeuterated lectin-fucose complex reveals key details of protein-carbohydrate interactions». Structure (en inglés) 29 (9): 1003-1013.e4. doi:10.1016/j.str.2021.03.003. Consultado el 2 de mayo de 2026. 
  26. ↑ Hu, Qiaobin; Luo, Yangchao (2021-05). «Chitosan-based nanocarriers for encapsulation and delivery of curcumin: A review». International Journal of Biological Macromolecules (en inglés) 179: 125-135. doi:10.1016/j.ijbiomac.2021.02.216. Consultado el 2 de mayo de 2026. 
  27. ↑ Wusigale; Wang, Taoran; Hu, Qiaobin; Xue, Jingyi; Khan, Muhammad Aslam; Liang, Li; Luo, Yangchao (2021-07). «Partition and stability of folic acid and caffeic acid in hollow zein particles coated with chitosan». International Journal of Biological Macromolecules (en inglés) 183: 2282-2292. doi:10.1016/j.ijbiomac.2021.05.216. Consultado el 2 de mayo de 2026. 
  28. ↑ Jiménez-García, Brian; Roel-Touris, Jorge; Barradas-Bautista, Didier (5 de julio de 2023). «The LightDock Server: Artificial Intelligence-powered modeling of macromolecular interactions». Nucleic Acids Research (en inglés) 51 (W1): W298-W304. ISSN 0305-1048. PMC 10320125. PMID 37140054. doi:10.1093/nar/gkad327. Consultado el 2 de mayo de 2026. 
  29. ↑ Ananiadou, Sophia; Kell, Douglas B.; Tsujii, Jun-ichi (2006-12). «Text mining and its potential applications in systems biology». Trends in Biotechnology (en inglés) 24 (12): 571-579. doi:10.1016/j.tibtech.2006.10.002. Consultado el 2 de mayo de 2026. 
  30. ↑ Resendis-Antonio, Osbaldo (2013). Dubitzky, Werner, ed. Constraint-based Modeling (en inglés). Springer New York. pp. 494-498. ISBN 978-1-4419-9862-0. doi:10.1007/978-1-4419-9863-7_1143. Consultado el 2 de mayo de 2026. 
  31. ↑ Labant, MaryAnn (1 de noviembre de 2013). «Raising the Bar in Preclinical Imaging». GEN - Genetic Engineering and Biotechnology News (en inglés estadounidense). Consultado el 2 de mayo de 2026. 
  32. ↑ Orth, Jeffrey D; Thiele, Ines; Palsson, Bernhard Ø (2010-03). «What is flux balance analysis?». Nature Biotechnology (en inglés) 28 (3): 245-248. ISSN 1087-0156. PMC 3108565. PMID 20212490. doi:10.1038/nbt.1614. Consultado el 2 de mayo de 2026. 
  33. ↑ «Imaging Metabolomics». www.shimadzu.com (en inglés). Consultado el 2 de mayo de 2026. 
  34. ↑ Haiman, Zachary B.; Zielinski, Daniel C.; Koike, Yuko; Yurkovich, James T.; Palsson, Bernhard O. (28 de enero de 2021). «MASSpy: Building, simulating, and visualizing dynamic biological models in Python using mass action kinetics». En Mendes, Pedro, ed. PLOS Computational Biology (en inglés) 17 (1): e1008208. ISSN 1553-7358. PMC 7872247. PMID 33507922. doi:10.1371/journal.pcbi.1008208. Consultado el 2 de mayo de 2026. 
  35. ↑ Sedwards, Sean; Mazza, Tommaso (15 de octubre de 2007). «Cyto-Sim: a formal language model and stochastic simulator of membrane-enclosed biochemical processes». Bioinformatics (en inglés) 23 (20): 2800-2802. ISSN 1367-4811. doi:10.1093/bioinformatics/btm416. Consultado el 2 de mayo de 2026. 
  36. ↑ Lopez, Carlos F; Muhlich, Jeremy L; Bachman, John A; Sorger, Peter K (2013-01). «Programming biological models in Python using PySB». Molecular Systems Biology (en inglés) 9 (1). ISSN 1744-4292. PMC 3588907. PMID 23423320. doi:10.1038/msb.2013.1. Consultado el 2 de mayo de 2026. 
  37. ↑ Huaroto, Juan J.; Capuano, Luigi; Kaya, Mert; Hlukhau, Ihar; Assayag, Franck; Mohanty, Sumit; Römer, Gert-willem; Misra, Sarthak (10 de agosto de 2023). «Two-photon microscopy for microrobotics: Visualization of micro-agents below fixed tissue». En Sinibaldi, Edoardo, ed. PLOS ONE (en inglés) 18 (8): e0289725. ISSN 1932-6203. PMC 10414647. PMID 37561749. doi:10.1371/journal.pone.0289725. Consultado el 16 de abril de 2026. 
  38. ↑ Platonova, Ganna; Štys, Dalibor; Souček, Pavel; Lonhus, Kirill; Valenta, Jan; Rychtáriková, Renata (13 de agosto de 2021). «Spectroscopic Approach to Correction and Visualisation of Bright-Field Light Transmission Microscopy Biological Data». Photonics (en inglés) 8 (8): 333. ISSN 2304-6732. doi:10.3390/photonics8080333. Consultado el 20 de abril de 2026. 
  39. ↑ Jambor, Helena Klara (15 de diciembre de 2023). «A community-driven approach to enhancing the quality and interpretability of microscopy images». Journal of Cell Science (en inglés) 136 (24). ISSN 0021-9533. doi:10.1242/jcs.261837. Consultado el 20 de abril de 2026. 
  40. ↑ IMAGING | Magnetic Resonance Imaging in Epilepsy Research: Recent and Upcoming Developments (en inglés estadounidense). 1 de enero de 2009. pp. 1549-1554. doi:10.1016/B978-012373961-2.00020-5. Consultado el 22 de abril de 2026. 
  41. ↑ Wooliscroft, Lindsey; Salter, Amber; Adusumilli, Gautam; Levasseur, Victoria A.; Sun, Peng; Lancia, Samantha; Perantie, Dana C.; Trinkaus, Kathryn et al. (2024-04). «Diffusion basis spectrum imaging and diffusion tensor imaging predict persistent black hole formation in multiple sclerosis». Multiple Sclerosis and Related Disorders (en inglés) 84: 105494. PMC 10978237. PMID 38359694. doi:10.1016/j.msard.2024.105494. Consultado el 22 de abril de 2026. 
  42. ↑ Vincent, K; Moore, J; Kennedy, S; Tracey, I (2009-01). «Blood oxygenation level dependent functional magnetic resonance imaging: current and potential uses in obstetrics and gynaecology». BJOG: An International Journal of Obstetrics & Gynaecology (en inglés) 116 (2): 240-246. ISSN 1470-0328. PMC 2675013. PMID 19076956. doi:10.1111/j.1471-0528.2008.01993.x. Consultado el 22 de abril de 2026. 
  43. ↑ «Saturation pulses». Questions and Answers in MRI (en inglés). Consultado el 22 de abril de 2026. 
  44. ↑ Cha, Soonmee (2013). Dynamic Functional and Physiological Techniques (en inglés). Elsevier. pp. 23-42. ISBN 978-1-4160-5009-4. doi:10.1016/b978-1-4160-5009-4.50010-8. Consultado el 22 de abril de 2026. 
  45. ↑ Baliyan, Vinit; Das, Chandan J; Sharma, Raju; Gupta, Arun Kumar (2016). «Diffusion weighted imaging: Technique and applications». World Journal of Radiology (en inglés) 8 (9): 785. ISSN 1949-8470. PMC 5039674. PMID 27721941. doi:10.4329/wjr.v8.i9.785. Consultado el 22 de abril de 2026. 
  46. ↑ Canada, Health (25 de noviembre de 2020). «Radiofrequency electromagnetic fields (EMF)». www.canada.ca. Consultado el 1 de mayo de 2026. 
  47. ↑ David C Preston. «Magnetic Resonance Imaging (MRI) of the Brain and Spine: Basics». Case Western Reserve University. Consultado el 4 de julio de 2016. 
  48. ↑ Berger, A. (5 de enero de 2002). «How does it work?: Magnetic resonance imaging». BMJ (en inglés) 324 (7328): 35-35. ISSN 0959-8138. PMC 1121941. PMID 11777806. doi:10.1136/bmj.324.7328.35. Consultado el 1 de mayo de 2026. 
  49. ↑ Baba, Yahya. «Radiopaedia.org». Radiopaedia (en inglés estadounidense). Consultado el 4 de septiembre de 2022. 
  50. ↑ Nett Brian (4 de diciembre de 2023). «Contrast Agents (Radiographic Contrast Agents And Iodinated Contrast Media) • How Radiology Works». How Radiology Works. How Radiology Works LLC. (en inglés estadounidense). Consultado el 4 de diciembre de 2023. 
  51. ↑ Radiology (ACR), Radiological Society of North America (RSNA) and American College of. «PET/CT». Radiologyinfo.org (en inglés). Consultado el 1 de mayo de 2026. 
  52. ↑ Prokop, M; Shin, H O; Schanz, A; Schaefer-Prokop, C M (1997-03). «Use of maximum intensity projections in CT angiography: a basic review.». RadioGraphics (en inglés) 17 (2): 433-451. ISSN 0271-5333. doi:10.1148/radiographics.17.2.9084083. Consultado el 1 de mayo de 2026. 
  53. ↑ Burak Özkan, Mehmet; Tscheuner, Sebastian; Ozkan, Elif (2016-12). «Diagnostic accuracy of MIP slice modalities for small pulmonary nodules in paediatric oncology patients revisited: What is additional from the paediatric radiologist approach?». The Egyptian Journal of Radiology and Nuclear Medicine (en inglés) 47 (4): 1629-1637. doi:10.1016/j.ejrnm.2016.09.008. Consultado el 1 de mayo de 2026. 
  54. ↑ Adamson, Justus; Chang, Zheng; Wang, Zhiheng; Yin, Fang‐Fang; Cai, Jing (2010-11). «Maximum intensity projection (MIP) imaging using slice‐stacking MRIa)». Medical Physics (en inglés) 37 (11): 5914-5920. ISSN 0094-2405. doi:10.1118/1.3503850. Consultado el 1 de mayo de 2026. 
  55. ↑ Antropova, Natalia; Abe, Hiroyuki; Giger, Maryellen L. (5 de febrero de 2018). «Use of clinical MRI maximum intensity projections for improved breast lesion classification with deep convolutional neural networks». Journal of Medical Imaging 5 (01): 1. ISSN 2329-4302. doi:10.1117/1.JMI.5.1.014503. Consultado el 1 de mayo de 2026. 
  56. ↑ «AliView: a fast and lightweight alignment viewer and editor for large datasets». doi:10.1093/bioinformatics/btu531. 
  57. ↑ Waterhouse, Andrew M.; Procter, James B.; Martin, David M. A.; Clamp, Michèle; Barton, Geoffrey J. (1 de mayo de 2009). «Jalview Version 2—a multiple sequence alignment editor and analysis workbench». Bioinformatics (en inglés) 25 (9): 1189-1191. ISSN 1367-4811. PMC 2672624. PMID 19151095. doi:10.1093/bioinformatics/btp033. Consultado el 30 de abril de 2026. 
  58. ↑ Crooks, Gavin E.; Hon, Gary; Chandonia, John-Marc; Brenner, Steven E. (2004-06). «WebLogo: A Sequence Logo Generator: Figure 1». Genome Research (en inglés) 14 (6): 1188-1190. ISSN 1088-9051. PMC 419797. PMID 15173120. doi:10.1101/gr.849004. Consultado el 30 de abril de 2026. 
  59. ↑ Stothard, Paul; Wishart, David S. (15 de febrero de 2005). «Circular genome visualization and exploration using CGView». Bioinformatics (en inglés) 21 (4): 537-539. ISSN 1367-4811. doi:10.1093/bioinformatics/bti054. Consultado el 30 de abril de 2026. 
  60. ↑ Tamura, Koichiro; Stecher, Glen; Kumar, Sudhir (25 de junio de 2021). «MEGA11: Molecular Evolutionary Genetics Analysis Version 11». En Battistuzzi, Fabia Ursula, ed. Molecular Biology and Evolution (en inglés) 38 (7): 3022-3027. ISSN 1537-1719. PMC 8233496. PMID 33892491. doi:10.1093/molbev/msab120. Consultado el 30 de abril de 2026. 
  61. ↑ Zhou, Lang; Feng, Tingze; Xu, Shuangbin; Gao, Fangluan; Lam, Tommy T; Wang, Qianwen; Wu, Tianzhi; Huang, Huina et al. (18 de julio de 2022). «ggmsa: a visual exploration tool for multiple sequence alignment and associated data». Briefings in Bioinformatics (en inglés) 23 (4). ISSN 1467-5463. doi:10.1093/bib/bbac222. Consultado el 30 de abril de 2026. 
  62. ↑ Jeanmougin, François; Thompson, Julie D.; Gouy, Manolo; Higgins, Desmond G.; Gibson, Toby J. (1998-10). «Multiple sequence alignment with Clustal X». Trends in Biochemical Sciences 23 (10): 403-405. ISSN 0968-0004. doi:10.1016/S0968-0004(98)01285-7. Consultado el 30 de abril de 2026. 
  63. ↑ Mendoza-Revilla, Javier (16 de julio de 2012). «Aportes de la filogenética a la investigación médica.». Revista Médica Herediana 23 (2): 119. ISSN 1729-214X. doi:10.20453/rmh.v23i2.1042. Consultado el 17 de abril de 2026. 
  64. ↑ Kim, Namshin; Lee, Christopher (2007-12). «Three-Dimensional Phylogeny Explorer: Distinguishing paralogs, lateral transfer, and violation of "molecular clock" assumption with 3D visualization». BMC Bioinformatics (en inglés) 8 (1). ISSN 1471-2105. PMC 1906840. PMID 17584922. doi:10.1186/1471-2105-8-213. Consultado el 2 de mayo de 2026. 
  65. ↑ «Medical Image Processing, Analysis and Visualization». mipav.cit.nih.gov. Consultado el 2 de mayo de 2026. 
  66. ↑ Letunic, Ivica. «iTOL: About and contact». itol.embl.de (en inglés). Consultado el 2 de mayo de 2026. 
  67. ↑ Ono, Keiichiro. «Cytoscape: An Open Source Platform for Complex Network Analysis and Visualization». cytoscape.org (en inglés). Consultado el 2 de mayo de 2026. 
  68. ↑ Medlock, Gregory L.; Moutinho, Thomas J.; Papin, Jason A. (29 de abril de 2020). «Medusa: Software to build and analyze ensembles of genome-scale metabolic network reconstructions». En Berry, Hugues, ed. PLOS Computational Biology (en inglés) 16 (4): e1007847. ISSN 1553-7358. PMC 7213742. PMID 32348298. doi:10.1371/journal.pcbi.1007847. Consultado el 2 de mayo de 2026.