771 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 intégrant l'exploration ciblée de génomes à l'échelle de 2 millions de bactéries et à la modélisation structurale, cette étude révèle plus de 900 clusters de gènes biosynthétiques inexplorés contenant des 7-déazapurines et élucide les mécanismes enzymatiques de diversification de métabolites secondaires comme la dapiramicine A.
DOME Copilot est une solution basée sur les grands modèles de langage qui extrait des rapports structurés des méthodes d'intelligence artificielle dans les publications scientifiques afin de simplifier la transparence et la reproductibilité de ces recherches en sciences de la vie.
Cette étude a calibré huit outils de prédiction computationnelle pour les variants d'insertion-délétion (indel) en phase afin d'établir des seuils d'interprétation clinique conformes aux directives ACMG/AMP, démontrant leur utilité mesurable tout en soulignant que leurs performances restent inférieures à celles des prédicteurs de variants faux-sens.
Cette étude démontre que, dans des cohortes pan-cancéreuses hétérogènes traitées par immunothérapie, les variables cliniques dominent la prédiction de la survie tandis que l'intégration de caractéristiques génomiques comme la charge mutationnelle tumorale n'apporte qu'un gain prédictif marginal, révélant ainsi des limites structurelles à l'exploitation des données génomiques à grande échelle dans ce contexte.
Le cadre de calcul LagCI, présenté dans cet article, permet d'inférer des relations causales temporelles à partir de séries temporelles omiques denses en combinant un profilage de corrélation décalée avec un filtrage statistique robuste pour identifier des interactions biologiques clés.
Cette étude démontre que l'ajout d'une structure spatiale dans les modèles de dynamique des communautés microbiennes permet de reproduire la distribution gamma observée empiriquement des abondances d'espèces, suggérant que ce motif macroécologique résulte davantage d'un agrégat statistique dû à l'échantillonnage spatial qu'à un mécanisme biologique spécifique.
Le papier présente PeptideCLM-2, une suite de modèles de langage chimique entraînée sur plus de 100 millions de molécules pour combler le fossé computationnel dans la conception de peptides thérapeutiques et améliorer la prédiction de leurs propriétés de développement.
Cette étude présente un flux de travail guidé par des agents intelligents pour la conception *de novo* de nanocorps contre une nouvelle cible tumorale, permettant d'identifier des binders à haute affinité (nM à sub-nM) sans structure expérimentale préalable ni données antérieures sur les anticorps.
Cette étude propose un cadre de benchmarking incertain pour classifier les ARNm et lncARN, révélant que près de la moitié des transcrits présentent des désaccords entre outils et en identifiant les caractéristiques séquentielles, notamment les répétitions, qui contribuent à cette incertitude.
Le papier présente PathwaySeeker, un système d'IA fondé sur des preuves qui reconstruit et raisonne sur des réseaux métaboliques spécifiques à un organisme en intégrant des données omiques pour distinguer les connaissances expérimentales des hypothèses structurées.