💻 Category

bioinformatics

878 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.

💻 bioinformatics

Retention, not flux: endpoint confounding caps computational prediction of peptide skin penetration, with a delivery-aware reframing

L'article soutient que la stagnation de la performance prédictive dans la modélisation de la pénétration cutanée des peptides provient d'une dépendance mal posée à des étiquettes de flux transdermique confondues qui ignorent les vecteurs de délivrance et les points de terminaison, proposant plutôt une approche recadrée qui sépare le potentiel intrinsèque de franchissement de la barrière de la rétention et du risque spécifiques à la délivrance.

Komianos, N., Prakash, P.2026-06-29
💻 bioinformatics

Homology-aware cross-validation strategies for generalization assessment in RNA structure prediction

Cet article examine de manière critique et propose des stratégies de validation croisée tenant compte de l'homologie afin de remédier à la fuite de données et d'assurer une évaluation équitable de la généralisation pour les méthodes de prédiction de la structure secondaire de l'ARN, qu'elles soient basées sur l'apprentissage classique ou l'apprentissage profond.

Bugnon, L., Kulemeyer, G., Gerard, M., Di Persia, L., Stegmayer, G., Milone, D. H.2026-06-29
💻 bioinformatics

Bamsnap-LRS: an automated batch visualization tool for long-read sequencing alignments

Bamsnap-LRS est un outil automatisé en ligne de commande conçu pour surmonter les limitations de scalabilité et d'optimisation des logiciels de visualisation existants en permettant une visualisation par lots à haut débit et prête pour la publication des alignements de séquençage à lectures longues, avec un support pour les caractéristiques spécifiques aux lectures longues, l'inspection des SNP phasés et diverses analyses génomiques.

Chen, W., Yang, C., Qiu, L., Hu, J., Zhou, Y.2026-06-25
💻 bioinformatics

Development of Deep-Learning Models that Predict Quantitative Protein-Ligand Interac-tions in Glycobiology as a part of a Capstone Course

Dans le cadre d'un cours de fin d'études de l'Université de l'Alberta, ce document présente trois modèles d'apprentissage profond (ProMax, APEX et UltraMax) entraînés sur un ensemble de données hybrides d'environ un million de paires protéine-ligand pour prédire les forces de liaison quantitative entre glycanes et protéines, tout en soulignant les défis posés par les distributions de données à longue traîne et l'utilisation insuffisante des caractéristiques chirales.

Yin, H., Liu, W., Zhou, W., Chang, Z., Carpenter, E. J., Satyajith, A., Haregu, S., Greiner, R., Derda, R.2026-06-24
💻 bioinformatics

ComplexDesign: sequence-hallucination design of protein binders bridging multiple proteins

ComplexDesign est une approche basée sur l'hallucination qui utilise l'optimisation de séquences guidée par la prédiction de structure et un mécanisme de masquage spécialisé pour concevoir avec succès des complexes protéiques à chaînes multiples et des liants flexibles reliant plusieurs cibles, surpassant les méthodes existantes tant pour la conception de multimères inconditionnels que pour la génération de complexes ternaires.

Xu, J., Ren, M., Qi, N., Zhang, X., He, Z., Yu, C., Bu, D.2026-06-24
💻 bioinformatics

HoloCell: A Generative Foundation Model for Holistic Cellular Modeling

HoloCell est un modèle de fondation génératif de 860 millions de paramètres préentraîné sur un corpus multi-omique massif qui unifie les données épigénomiques, transcriptomiques et protéomiques par une tokenisation hiérarchique et une diffusion itérative afin de permettre un apprentissage de représentation cellulaire holistique et une génération intermodale flexible.

Jiang, Q., Li, Z., Hu, B., Bie, Y., Li, K., Li, Q., Jin, P., He, Y., Deng, P., Wang, Z., Chen, X., Qin, T., Liu, H., Jia (…)2026-06-23
💻 bioinformatics

Comorbidity structure as an inductive bias: Comparing output-head designs for multi-label prediction of diabetes and myocardial infarction complications

Cet article démontre que les conceptions de têtes de sortie pour la prédiction multi-étiquette doivent être explicitement choisies pour refléter la structure biologique sous-jacente des comorbidités, comme en témoigne un champ aléatoire conditionnel symétrique surpassant des alternatives complexes dans les complications microvasculaires liées au diabète de type 2, tandis qu'aucune architecture unique ne s'est avérée stable pour les complications électrophysiologiques hétérogènes de l'infarctus du myocarde.

Asumboya, W. A., Agbenorhevi, P. K., Adams, C. F., Ayariga, D. A., Adjadeh, T., Adams Ziblim, S., Kwofie, S. K.2026-06-23
💻 bioinformatics

Drug-Prot: A query system for statistical inference of drug effects and interactions in dynamic proteomic networks

Drug-Prot est un cadre de calcul et une application web accessibles au public qui exploitent des données de protéomique de perturbation à grande échelle issues de lignées cellulaires de cancer du sein pour inférer statistiquement les effets causaux des médicaments, les interactions médicament-médicament et les réseaux de dépendance protéique dynamiques, permettant ainsi une analyse ciblée des réponses au niveau des protéines aux monothérapies et aux thérapies combinées.

Ulmer, M., Sun, R., Qian, L., Aebersold, R., Guo, T., Buehlmann, P.2026-06-22