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.
ProtFlow est un modèle génératif basé sur l'appariement de flux (flow matching) qui, en apprenant la distribution sémantique globale des protéines et en intégrant des représentations de modèles de langage, permet de concevoir des séquences protéiques de haute qualité, notamment des peptides antimicrobiens efficaces contre des pathogènes sous-représentés.
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 un cadre d'apprentissage physique qui discrétise les séquences protéiques en un vocabulaire de « mots » évolutifs, permettant non seulement d'améliorer la prédiction fonctionnelle et l'analyse de l'évolution, mais aussi de découvrir de nouveaux régulateurs biologiques et de concevoir des variants protéiques fonctionnels.
Le papier présente RNAiSpline, un modèle d'apprentissage profond combinant un pré-entraînement auto-supervisé et des architectures KAN, CNN et Transformer pour prédire avec robustesse l'efficacité des siRNA malgré les défis liés à la disponibilité et au biais des données.
Ce papier présente TITAN-BBB, un modèle d'apprentissage profond multimodal qui intègre des caractéristiques tabulaires, visuelles et textuelles pour prédire la perméabilité de la barrière hémato-encéphalique avec une précision supérieure aux méthodes actuelles, tout en mettant à disposition le plus grand jeu de données agrégé et les outils correspondants.
Le papier présente MolDeBERTa, un modèle fondamental auto-supervisé pour les représentations moléculaires qui intègre des informations physicochimiques et structurelles via de nouveaux objectifs de préentraînement, surpassant ainsi les modèles existants sur plusieurs benchmarks de découverte de médicaments.
Ce papier présente FiCOPS, un cadre de calcul sur FPGA conçu par co-conception matériel/logiciel pour accélérer la recherche de peptides dans les bases de données de spectrométrie de masse, offrant une accélération de 3,5 fois par rapport aux solutions CPU tout en réduisant significativement la consommation énergétique.
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.