1250 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.
En introduisant le cadre unifié ProtGenesis, cette étude établit que la genèse des protéines est un processus physique déterministe régi par trois principes universels d'assemblage, d'émergence et de transition de phase, offrant ainsi une fondation mathématique interprétable pour déverrouiller les modèles d'apprentissage profond et comprendre le blueprint moléculaire de la vie.
Cette étude présente SPrOUT, une nouvelle méthode combinant le séquençage ciblé Angiosperms353 et des analyses phylogénétiques pour identifier avec une grande précision les espèces végétales au sein d'échantillons d'ADN mélangés.
Le papier présente TopRepo, le premier dépôt complet de spectres de spectrométrie de masse top-down comprenant plus de 18 millions de spectres, qui permet des analyses pan-ensemble de données et améliore considérablement l'identification des protéines ainsi que la prédiction spectrale via l'apprentissage profond.
Ce papier présente CellAwareGNN, un modèle fondamental de graphes enrichi par des données de génomique à l'échelle cellulaire qui améliore significativement la prédiction des indications médicamenteuses, en particulier pour les maladies auto-immunes, par rapport aux modèles existants comme TxGNN.
Cette étude pan-cancéreuse démontre que la composition du microenvironnement tumoral, déduite de signatures transcriptomiques, permet de prédire avec précision le statut des mutations conductrices dans plusieurs types de cancers, comme confirmé par une validation externe sur des cohortes indépendantes.
MetaTracer est un outil d'alignement nucléotidique qui permet d'attribuer simultanément les lectures de métagénomique à des groupes taxonomiques et à des gènes exprimés avec une haute résolution, facilitant ainsi l'analyse précise de l'activité transcriptionnelle spécifique aux espèces au sein de communautés bactériennes complexes.
Le papier présente GlycoForge, un package Python open-source capable de générer des données de glycomique réalistes avec des vérités terrain connues, permettant ainsi un benchmarking rigoureux des méthodes analytiques et l'évaluation d'algorithmes de correction des effets de lot.
Cette étude présente un assemblage de novo du génome de l'enset (Ensete ventricosum), révélant qu'environ 25 % de son génome lui est unique par rapport aux bananiers, ce qui fournit des ressources cruciales pour comprendre son adaptation et développer des stratégies de sélection assistée par marqueurs afin d'améliorer la sécurité alimentaire en Éthiopie.
Cet article présente HMOTP, un cadre d'apprentissage automatique innovant intégrant des données multi-omiques longitudinales à faible échantillon pour prédire avec précision les trajectoires individuelles des patients après une transplantation de microbiote fécal tout en identifiant des biomarqueurs interprétables grâce à une construction hiérarchique de caractéristiques et des mécanismes d'attention multi-niveaux.
Cette étude présente un cadre de modélisation inverse interprétable et stratifié dans le temps qui relie les réponses transcriptomiques aux changements de morphologie nucléaire observés par imagerie cellulaire après une exposition à des radiations à faible dose, en utilisant une approche de régression élastique-net pour identifier des prédicteurs génétiques stables tout en contrôlant les tendances de dose.