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.
Cet article démontre que tous les estimateurs de parcimonie des gènes (GTP) basés sur des combinaisons linéaires des coûts de duplication, de perte et de coalescence profonde sont statistiquement incohérents sous le modèle de coalescence multispécifique, et en explore les implications empiriques.
Cette étude établit que le récepteur AGTR1 est un marqueur spécifique des péricytes pulmonaires qui régule leur comportement et la résilience de l'airspace, offrant ainsi un cadre cellulaire pour cibler thérapeutiquement les maladies pulmonaires comme la BPCO et la fibrose.
Cette étude révèle que les pipelines actuels de graphes de pan-génomes peinent à détecter et à représenter correctement les inversions, en identifiant deux motifs topologiques distincts et en soulignant des taux de récupération très faibles, notamment sur des données humaines réelles.
Cette étude démontre que les modèles de fondation de l'ADN, en particulier HyenaDNA, surpassent les méthodes spécialisées dans la prédiction précise et efficace des sites de liaison des facteurs de transcription chez les plantes, offrant ainsi une solution évolutive pour la génomique végétale.
Cette étude démontre que la qualité des données, notamment la sparsité et le bruit moléculaire ainsi que la résolution des images, influence de manière critique la performance des modèles d'apprentissage profond prédisant l'expression génique spatiale à partir d'images histologiques, suggérant que l'amélioration de la qualité des données constitue une stratégie complémentaire essentielle à l'optimisation des architectures de modèles.
En exploitant un vaste ensemble de données de combinaisons médicamenteuses, cette étude propose un cadre statistique rigoureux basé sur des distributions de référence pour identifier de manière standardisée et significative les interactions synergiques anticancéreuses, comblant ainsi le manque d'évaluation statistique robuste dans les criblages cellulaires actuels.
Les auteurs proposent le cadre HuSC, qui intègre la variation génétique humaine et les structures 3D pour affiner les modèles de langage protéique, réduisant ainsi le biais envers les séquences sauvages et améliorant la prédiction des effets des variants.
Le papier présente SpecLig, un cadre de génération basé sur la structure qui combine un auto-encodeur variationnel hiérarchique et un modèle de diffusion géométrique guidé par l'énergie pour concevoir des ligands 3D (petites molécules et peptides) optimisant simultanément l'affinité et la spécificité envers une cible donnée, réduisant ainsi les risques de liaison promiscuité.
Cette étude démontre que la variabilité numérique inhérente aux pipelines d'IRM structurelle peut fausser significativement les résultats sur la maladie de Parkinson, et propose un cadre pratique pour quantifier et atténuer ce risque d'erreurs statistiques dans la littérature scientifique.
Le papier présente jazzPanda, une approche hybride implémentée dans un package R Bioconductor qui améliore la détection de gènes marqueurs dans les données de transcriptomique spatiale en intégrant les coordonnées spatiales via une méthode de « pseudobulking » pour une identification cellulaire plus précise et spécifique.