Pavel-Kravchenko

Algoritmos MSA progressivos, seleção de ferramentas por tamanho do conjunto de dados, construção de árvores-guia e alinhamento de perfis.

Algoritmos fundamentais — MDC Euclidiano, método de Newton para raiz cúbica — com análise de complexidade e implementações limpas.

Realiza análise de sequências promotoras e regulatórias, incluindo detecção de caixa TATA, varredura de ilhas CpG, construção de PWM/PFM e varredura de TFBS, sendo uma referência para análise computacional de promotores.

Docking molecular: preparação de ligantes, configuração de receptores, fluxo de trabalho do AutoDock Vina, funções de pontuação e análise de pose de ligação. Use ao prever interações proteína-ligante.

Análise de RNA-seq de célula única, da matriz de contagem a tipos de células anotados e trajetórias.

Pipelines de geração aumentada por recuperação para o entendimento de documentos.

Integração CITE-seq e Multiome, incluindo normalização ADT (CLR/DSB), construção de grafo WNN e análise pareada de RNA+ATAC com muon.

Análise de isoformas com leituras longas, utilizando alinhamento de splicing com Minimap2, descoberta de isoformas com bambu e uso diferencial de isoformas com DRIMSeq.

Transcriptômica do câncer para classificação de subtipos de melanoma (Tirosh/Harbst), utilizando pipeline de pré-processamento, PCA/t-SNE, agrupamento hierárquico, random forest e análise de sobrevivência de Kaplan-Meier.

Padrões de fluxo de trabalho Snakemake e Nextflow/nf-core para pipelines genômicos — regras, curingas, configuração, execução em cluster e tabela comparativa.

Introdução ao Python para Bioinformática.

Pipeline de chamada de SNP que inclui Trimmomatic, alinhamento com HISAT2/BWA-MEM2, chamada de variantes com samtools/bcftools e anotação com ANNOVAR.