1076 articles
La bioinformatique se situe à la croisée fascinante de la biologie et de l'informatique, où des données biologiques complexes sont transformées en connaissances actionnables grâce à des algorithmes puissants. Ce domaine permet aux chercheurs de décrypter le code de la vie, d'analyser des séquences génétiques massives et de modéliser des interactions moléculaires avec une précision inédite, accélérant ainsi les découvertes médicales et biologiques.
Sur Gist.Science, nous nous engageons à rendre ces travaux accessibles à tous. Chaque nouvelle prépublication soumise sur bioRxiv dans cette catégorie est traitée par nos soins, offrant à la fois un résumé technique détaillé pour les experts et une explication claire en langage courant pour le grand public.
Vous trouverez ci-dessous la sélection des dernières études parues dans ce domaine, prêtes à être explorées.
Le modèle linguistique ProteomeLM, entraîné sur des protéomes entiers, permet de prédire avec une grande précision et rapidité les interactions protéine-protéine et l'essentialité des gènes à travers diverses espèces, surpassant les méthodes traditionnelles basées sur les séquences.
Cet article présente ConNIS, une nouvelle méthode statistique et un outil logiciel pour améliorer la détection des gènes essentiels dans les bibliothèques TraDIS en calculant la probabilité des séquences sans insertion et en proposant un critère pour optimiser automatiquement les paramètres d'analyse.
Cette étude présente un cadre robuste basé sur des modèles de régression linéaire pour prédire l'impact des mutations somatiques sur la liaison des facteurs de transcription dans 560 génomes de cancer du sein, révélant que des processus mutationnels spécifiques réorganisent systématiquement les réseaux de régulation génique de manière dépendante du sous-type tumoral.
Cette étude démontre que l'évaluation des modèles de réponse aux perturbations cellulaires uniques est entravée par des métriques inadéquates et des attentes excessives, révélant que les modèles complexes surpassent rarement des baselines simples et appelant à l'établissement de directives d'évaluation robustes pour un benchmarking fiable.
Bien que les prédicteurs d'effets de variants soient souvent entraînés sur des données non représentatives, cette étude démontre que, une fois ajustés pour les fréquences alléliques, leurs performances restent comparables entre les principaux groupes d'ascendance, ce qui soutient leur déploiement responsable dans le diagnostic génétique.
Cet article présente MW-RaMViD, une méthode basée sur la diffusion probabiliste pour générer des images de tilt manquantes dans la tomographie cryo-électronique, améliorant ainsi la fidélité des reconstructions 3D en réduisant les distorsions du coin manquant grâce à une complétion progressive et conditionnée.
Ce papier présente DeepMDTOMO, un cadre d'apprentissage profond supervisé qui surmonte les limitations de coût computationnel des méthodes physiques pour inférer avec précision les paysages conformationnels atomiques de biomolécules à partir de données de cryo-tomographie électronique, même en présence de bruit et d'artefacts de coin manquant.
L'article présente SomaSV, un cadre de séquençage hybride combinant des données de lecture longue et courte qui améliore la détection des variants structurels somatiques avec une précision supérieure et des coûts réduits, tout en identifiant des biomarqueurs pertinents pour le dépistage précoce du cancer.
Cette étude in silico identifie des signatures moléculaires et des voies immunitaires partagées entre la thyroïdite de Hashimoto et le diabète de type 2, et propose trois candidats médicaments pour un repositionnement thérapeutique.
Cette étude évalue systématiquement diverses stratégies d'apprentissage par transfert pour la prédiction de la réponse à la chimiothérapie chez les patients et démontre que les approches hybrides et le réglage fin (fine-tuning) des modèles précliniques offrent des gains plus stables et reproductibles que les méthodes de transfert direct ou basées sur des biomarqueurs.