Mais 10 anos de Biologia Computacional PLOS: Uma reflexão baseada em dados sobre tendências na pesquisa genômica

Desde a fundação da PLOS Computational Biology, há 20 anos, a pesquisa genômica avançou a um ritmo notável. Neste comentário do 20º aniversário, como editor da seção de periódicos Genomics, Epigenomics, & Proteomics, faço um mergulho baseado em dados na pesquisa genômica na PLoS Computational Biology analisando todos os artigos de pesquisa submetidos nesta seção desde 2017. Essa janela de tempo reflete os limites dos registros do Gerente Editorial que conseguimos reunir, mas também coincide aproximadamente com minha própria jornada independente neste campo.

Embora esta janela de tempo não capte a história completa de 20 anos da revista, espero que esta análise ofereça uma reflexão baseada em dados sobre como a investigação genómica na revista evoluiu e forneça uma suposta trajetória sobre como o campo irá certamente continuar a crescer no futuro. Citação: Fan J (2026) Mais 10 anos de Biologia Computacional PLOS: Uma reflexão baseada em dados sobre tendências na pesquisa genômica. PLoS Comput Biol 22(7): e1014471.

https://doi.org/10.1371/journal.pcbi.1014471 Editor: Feilim Mac Gabhann, Universidade Johns Hopkins, ESTADOS UNIDOS DA AMÉRICA Direitos autorais: © 2026 Jean Fan. Este é um artigo de acesso aberto distribuído sob os termos da Licença de Atribuição Creative Commons, que permite uso, distribuição e reprodução irrestrita em qualquer meio, desde que o autor original e a fonte sejam creditados. Financiamento: Este trabalho foi apoiado pelos Institutos Nacionais de Saúde (R35-GM142889 para JF).

Os financiadores não tiveram nenhum papel no desenho do estudo, na coleta e análise de dados, na decisão de publicação ou na preparação do manuscrito. Interesses conflitantes: O autor declarou que não existem interesses conflitantes. De 2017 a 2025, aproximadamente 1.700 artigos foram submetidos ao PLOS Computational Biology na Journal Section of Genomics, Epigenomics, & Proteomics.

Agregando estas submissões em janelas contínuas de 6 meses, podemos observar um aumento pronunciado nas submissões nos últimos anos, particularmente desde 2023 (Fig. 1A). Se desagregarmos ainda mais o número de submissões por país, notamos que, embora as submissões tenham sido historicamente dominadas pelos Estados Unidos, a China ultrapassou recentemente como o país com o maior número de submissões de artigos (Fig.

1B). A tendência provavelmente reflete os significativos investimentos financeiros da China na pesquisa genômica e exemplifica como o compromisso do governo pode acelerar a produção científica para moldar o cenário global de pesquisa [1]. Em geral, a pesquisa em biologia computacional em genômica continuou a crescer e se tornar um empreendimento cada vez mais global.

Se contarmos o número de diferentes países que enviam artigos por trimestre, observamos novamente um aumento pronunciado nos últimos anos (Fig. 1B). Este crescente conjunto de submissões internacionais destaca a necessidade de um crescimento correspondente no envolvimento da comunidade, como através da participação na revisão por pares, mantendo padrões consistentes e rigorosos.

Da mesma forma, esse crescimento destaca oportunidades de formação e colaboração, geração e partilha de dados, bem como o desenvolvimento de ferramentas e normas que podem apoiar uma comunidade científica diversificada e distribuída globalmente. (A) Número de artigos submetidos ao longo do tempo por período contínuo de 6 meses. (B) Número de artigos submetidos por país ao longo do período de 6 meses.

O país é baseado na localização da afiliação institucional do autor correspondente. Os 6 principais países por envio total mostrado. (C) Número de países únicos representados entre os artigos submetidos ao longo do tempo por período contínuo de 6 meses.

(A) Número de artigos submetidos ao longo do tempo por período contínuo de 6 meses. (B) Número de artigos submetidos por país ao longo do período de 6 meses. O país é baseado na localização da afiliação institucional do autor correspondente.

Os 6 principais países por envio total mostrado. (C) Número de países únicos representados entre os artigos submetidos ao longo do tempo por período contínuo de 6 meses. https://doi.org/10.1371/journal.pcbi.1014471.g001 Para avaliar como as tendências de pesquisa em biologia computacional mudaram ao longo dos anos, podemos analisar o uso de palavras-chave ao longo do tempo entre os artigos submetidos (Fig.

2). Primeiro, palavras-chave relacionadas a avanços em tecnologias genômicas, como “scRNA-seq” e “transcriptômica espacial” aumentaram acentuadamente nos últimos anos, refletindo a ampla comercialização e adoção dessas tecnologias de perfil transcriptômico de alto rendimento e a subsequente demanda por ferramentas computacionais especializadas para analisar os conjuntos de dados de alta dimensão associados (Fig. 2A e 2B).

Em contraste, “microarray” como palavra-chave permaneceu estagnado apesar do aumento geral nas submissões, sugerindo um declínio na ênfase da pesquisa na área nesta tecnologia (Fig. 2C). Da mesma forma, palavras-chave como “epigenómica” e “proteómica” diminuíram em frequência relativa, enquanto “multi-ómica” mostrou um aumento notável, reflectindo uma mudança potencial em direcção a abordagens integrativas que combinam diversas modalidades moleculares para alcançar uma compreensão mais abrangente dos sistemas biológicos (Fig 2D – 2F).

Além dos avanços tecnológicos, os avanços algorítmicos no aprendizado profundo resultaram no crescimento recente no uso de palavras-chave, juntamente com o surgimento de arquiteturas de modelos específicos, como “autoencoder” e “transformer” como palavras-chave (Fig. 2G). Em contraste, as abordagens clássicas de aprendizado de máquina em “estatísticas” usando arquiteturas de modelo como “floresta aleatória” e “máquina de vetores de suporte” como palavras-chave permaneceram relativamente estagnadas (Fig.

2H), destacando o impacto mais amplo dos avanços na inteligência artificial (IA) de aprendizagem profunda em todos os aspectos das aplicações computacionais, inclusive na pesquisa genômica. Dentro desta janela de tempo analisada, a doença do coronavírus 2019 (COVID-19) e o coronavírus 2 da síndrome respiratória aguda grave associada (SARS-CoV-2) surgiram para impactar profundamente a saúde pública global. À medida que os investigadores se mobilizaram rapidamente para estudar esta nova doença, que foi declarada como uma pandemia no início de 2020, a frequência de “sars-cov-2” e “covid-19” como palavras-chave nos manuscritos submetidos também atingiu o pico no início de 2020 (Fig.

2I). Embora a frequência de “sars-cov-2” e “covid-19” como palavras-chave nos manuscritos submetidos tenha diminuído desde então, permanece acima dos níveis pré-pandémicos, destacando os esforços contínuos para melhor compreender a doença, tanto para melhorar os tratamentos para aqueles que sofrem de sequelas pós-agudas, como para preparar futuras pandemias. Embora estas tendências se baseiem num número limitado de artigos submetidos, os padrões gerais sublinham a estreita interação entre os avanços tecnológicos e algorítmicos e os eventos de saúde pública com as prioridades em evolução da investigação em biologia computacional em genómica.

Número de artigos enviados ao longo do tempo com a palavra-chave (A) “scrna-seq”, (B) “transcriptômica espacial”, (C) “microarray”, (D) “epigenômica”, (E) “proteômica”, (F) “multi-ômica”, (G) várias palavras-chave associadas a métodos de aprendizado profundo, (H) várias palavras-chave clássicas associadas a métodos de aprendizado de máquina e (I) palavras-chave relacionadas ao COVID por 6 meses consecutivos janela. Número de artigos enviados ao longo do tempo com a palavra-chave (A) “scrna-seq”, (B) “transcriptômica espacial”, (C) “microarray”, (D) “epigenômica”, (E) “proteômica”, (F) “multi-ômica”, (G) várias palavras-chave associadas a métodos de aprendizado profundo, (H) várias palavras-chave clássicas associadas a métodos de aprendizado de máquina e (I) palavras-chave relacionadas ao COVID por 6 meses consecutivos janela. https://doi.org/10.1371/journal.pcbi.1014471.g002 Se olharmos mais de perto os artigos individuais, concentrando-nos nos artigos mais citados da PLOS Computational Biology em genômica desde 2017, notamos que estes são principalmente artigos que descrevem melhorias nas ferramentas de software existentes, em vez de introduzir técnicas de análise ou algoritmos totalmente novos.

Por exemplo, BEAST 2.5 (Bouckaert e colegas [2], citado 3.959 vezes de acordo com o Google Scholar em agosto de 2025) expandiu o BEAST, uma estrutura de software para filogenética bayesiana