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.

💻 bio-informatique

AlphaFold3 and Intrinsically Disordered Proteins: Reliable Monomer Prediction, Unpredictable Multimer Performance

Cette étude révèle que si AlphaFold3 prédit de manière fiable les monomères intrinsèquement désordonnés en apprenant à partir des données d'entraînement, ses prédictions de multimères demeurent imprévisibles en raison de priors structurels rigides qui supplantent l'information d'entrée, soulignant le besoin critique de jeux de données enrichis en désordre et d'échantillonnage d'ensembles plutôt que d'une simple innovation architecturale.

Dao, T. M., Ghent, S., Uversky, V. N., Rahman, T.2026-10-13
💻 bio-informatique

LOCALE: Local-Alignment Embeddings for Noise-Robust DNA Search at Scale

LOCALE introduit un cadre de recherche d'ADN robuste au bruit qui reformule la recherche de séquences en tant que recherche dense en utilisant un encodeur entraîné par InfoNCE pour générer des plongements tolérants aux variations, surpassant de manière significative les index de k-mers et les méthodes de plongement existantes en termes de précision et de scalabilité à travers des référentiels à l'échelle du pétabase.

Synk, R., Pandey, P., Sahinalp, C., Duraiswami, R.2026-10-13
💻 bio-informatique

VirtualSkin integrates skin-cell identity with intervention-response prediction

VirtualSkin est un modèle de langage cellulaire qui intègre avec succès l'identité des cellules cutanées à la prédiction de la réponse aux interventions, démontrant une précision accrue dans l'annotation des états inflammatoires de la peau et dans la prévision des réponses cellulaires à travers diverses maladies, sites anatomiques et perturbations.

Velland, M., Norwick, E., Ardene, S., Marwick, T., Corven, L., Solmere, A., Calder, N., Quillon, R., Renn, I., Elian, M.2026-10-13
💻 bio-informatique

Do LLM Proposers Improve Budgeted Search for Ionizable Lipids?

Cette étude introduit le cadre LEAF pour évaluer si les modèles de langage améliorent la recherche moléculaire budgétisée pour les lipides ionisables, constatant qu'en dépit de degrés variables d'engagement des preuves, les proposants de LLM en mode zero-shot ne parviennent pas à surpasser les bases de référence classiques telles que les algorithmes génétiques en raison de taux de duplication élevés et d'une absence de gains de performance réels.

Singh, H., SINGH, R. K., Krishna, C. S., Srivastava, S. P., Gorantla, R.2026-10-13
💻 bio-informatique

Deep-learning-driven tumor microenvironment profiling improves immunotherapy response prediction

L'étude introduit EcoNet, un cadre d'apprentissage profond qui modélise les écosystèmes structurés du microenvironnement tumoral et les réseaux de signalisation pour surpasser de manière significative les méthodes existantes dans la prédiction de la réponse à l'immunothérapie, comme le valide sa capacité à identifier des programmes géniques biologiquement pertinents et à stratifier les résultats cliniques dans le carcinome rénal à cellules claires.

Wang, R. H., Benard, B. A., Ilerten, I., Zdravkovic, S., Al-Humadi, R., Nasr, S., Howitt, B., Gentles, A. J.2026-10-13
💻 bio-informatique

BioMod: Biological Module Tokenization for Single-Cell Foundation Modeling

BioMod est un modèle de fondation de cellule unique à 50 millions de paramètres qui améliore l'efficacité de la représentation et la performance en tokenisant les cellules en modules chevauchants biologiquement significatifs plutôt qu'en gènes individuels, atteignant des résultats de pointe dans des tâches telles que l'annotation de types cellulaires et la prédiction de perturbations tout en permettant une inférence efficace sur un seul GPU.

Meng, L., Zhu, J., Han, B., Zang, Y., Li, W., Zong, K., Zhong, J., Yang, Y., Liu, J., Jia, J., Sun, R., Yu, G., Han, J. (…)2026-10-13
💻 bio-informatique

Imputing relative abundances via Gaussian random fields

Cet article introduit un cadre de champ aléatoire gaussien explicable pour l'imputation multiple de données compositionnelles longitudinales qui gère efficacement les échantillons manquants, les dépendances temporelles et l'inflation de zéros, démontrant son utilité dans la reconstruction des trajectoires du microbiote intestinal pour améliorer les prédictions de l'allergie alimentaire et de la dépression post-partum.

Shternshis, A., Singh, P., Hugerth, L. W.2026-10-13
💻 bio-informatique

AmyloCore-ML: AI/Machine Learning Enabled Identification of Amyloid Fibril Core Regions Using Protein Language Models

AmyloCore-ML est un nouveau prédicteur basé sur les séquences qui exploite les plongements de modèles de langage protéiques, particulièrement ESM-2, pour identifier avec précision les régions de cœur de fibrilles amyloïdes résolues structuralement, surpassant les outils existants tels que CrossBeta et AggrescanAI.

Singh, J., Jangid, R., Srivastava, A.2026-10-12
💻 bio-informatique

MtbAIM: AI/ML-guided endpoint-specific prediction of small-molecule activity across drug-susceptible and drug-resistant Mycobacterium tuberculosis

Cette étude présente MtbAIM, une plateforme pilotée par l'IA/ML qui utilise diverses représentations moléculaires et des algorithmes basés sur des arbres pour prédire avec précision l'activité et les concentrations minimales inhibitrices de petites molécules contre des isolats de *Mycobacterium tuberculosis* tant sensibles que résistants aux médicaments.

Singh, J., Singh, K.2026-10-12
💻 bio-informatique

High-performance xenograft read-sorting for DNA methylation analysis

Les auteurs présentent une version améliorée et sans alignement de l'outil Xengsort qui permet une séparation efficace et précise des lectures d'ADN par espèce pour le profilage épigénétique de modèles de xénogreffes dérivées de patients, surpassant les méthodes existantes en termes d'efficacité computationnelle.

Altendorfer, S., Zentgraf, J., Schmitz, J. E., Plass, C., Gerhauser, C., Rahmann, S.2026-10-12