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 présente Pioneer et Altimeter, deux outils open-source optimisés pour l'analyse rapide et précise des données de protéomique DIA, capables de modéliser explicitement les effets des fenêtres d'isolement étroites pour permettre une identification et une quantification à grande échelle avec un contrôle conservateur du taux de fausses découvertes.
Cet article présente edgePython, une portage en Python du package edgeR qui intègre un modèle mixte binomial négatif-gamma et un rétrécissement empirique de Bayes pour l'analyse différentielle de données de comptage génomique, facilitant ainsi son utilisation dans l'écosystème du génomique à cellule unique.
Le framework semi-supervisé CellDyc améliore la reconstruction des trajectoires cellulaires en intégrant les points de temps expérimentaux pour inférer des vitesses transcriptomiques précises et révéler un temps intrinsèque, surpassant ainsi les méthodes existantes dans divers contextes biologiques.
Cette étude développe et valide une signature mutationnelle composite basée sur des panels de séquençage ciblé pour identifier les déficiences de réparation par excision de nucléotides induites par des mutations ERCC2, permettant ainsi d'optimiser les stratégies thérapeutiques au-delà du cancer de la vessie.
Le pipeline bioinformatique NanoHIVSeq permet un traitement à haut débit et précis des séquences de l'enveloppe du VIH-1 à partir de données de séquençage Oxford Nanopore, en éliminant le besoin d'identifiants moléculaires uniques tout en maintenant une fiabilité supérieure à 99,9 %.
Cette étude évalue la capacité de divers modèles de langage à prédire l'efficacité des oligonucléotides antisens thérapeutiques, démontrant que l'utilisation de séquences d'ADN avec des informations sur les gènes cibles via l'ingénierie de prompts surpasse les représentations SMILES, avec le modèle GPT-3.5-Turbo obtenant les meilleurs résultats.
Cette étude présente une approche d'apprentissage automatique basée sur des algorithmes comme les k-plus proches voisins et les forêts aléatoires qui, grâce à un benchmarking rigoureux, améliore significativement l'attribution de formules moléculaires dans les données de spectrométrie de masse à ultra-haute résolution de mélanges complexes par rapport aux méthodes traditionnelles, tout en rendant le jeu de données et le code sources publics pour établir une nouvelle référence dans le domaine.
Le package ModCRElib est un outil autonome permettant d'analyser et de modéliser les interactions entre facteurs de transcription et l'ADN pour prédire les sites de liaison, générer des profils d'affinité et caractériser des complexes régulateurs d'ordre supérieur.
Cette étude présente le Therapeutic Cancer Cell Atlas (TCCA), une ressource pan-cancéreuse intégrant 1,8 million de transcriptomes qui révèle que l'hétérogénéité thérapeutique est principalement dictée par des programmes transcriptionnels fonctionnels et des états du microenvironnement tumoral plutôt que par la diversité génomique, offrant ainsi un cadre pour identifier des vulnérabilités thérapeutiques et guider la médecine de précision.
Cette étude présente DegrAID, une pipeline informatique qui extrait des signatures de dégradation spécifiques aux maladies et aux endotypes de l'arthrite à partir de données protéomiques cliniques, révélant ainsi des profils distincts de remodelage tissulaire et ouvrant la voie à de nouveaux biomarqueurs.