879 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.
L'article présente gTranslate, un outil d'apprentissage automatique économiquement efficace qui prédit avec précision les tables de traduction pour les génomes procaryotes sans classification taxonomique préalable, atteignant une précision supérieure à 99,99 % et permettant la découverte de nouvelles variations du code génétique dans des lignées bactériennes spécifiques.
Cette étude présente un cadre computationnel exploitant le modèle fondamental de l'ADN Evo2 pour prioriser les variants régulateurs non codants dans le cancer colorectal en quantifiant leur impact sur les séquences promotrices, identifiant avec succès des candidats à fort impact enrichis dans des voies pertinentes pour le cancer et des loci GWAS, sans recourir à un apprentissage supervisé ni à des annotations prédéfinies.
SQANTI-browser est un nouveau cadre de visualisation qui intègre les données de transcriptome à lectures longues classées par SQANTI3 dans le UCSC Genome Browser, permettant un filtrage interactif, une curation guidée par les preuves et la résolution d'artefacts d'alignement pour sauver des isoformes nouvelles exploitables à travers divers ensembles de données.
CARIBOU est un cadre d'IA multi-agents conçu pour l'analyse bioinformatique autonome, itérative et reproductible au sein d'environnements de calcul haute performance institutionnels, utilisant des plans modifiables par les chercheurs et des états exécutables persistants pour surmonter les limites de la génération de code statique dans le traitement de jeux de données omiques à grande échelle, notamment single-cell et spatiaux.
VaxjoOnto est un cadre novateur qui exploite un graphe de connaissances hétérogène piloté par une ontologie vaccinale et un réseau de neurones à graphes pour prioriser efficacement les adjuvants pour les maladies connues et nouvelles, en répondant à un goulot d'étranglement critique dans le développement vaccinal en déplaçant l'accent de la découverte d'antigènes vers la sélection d'adjuvants.
Cet article présente le cadre SBB (Signal, Bornes et Lignes de base) pour évaluer rigoureusement les modèles de perturbation de cellules virtuelles, révélant que les méthodes d'apprentissage profond complexes échouent souvent à surpasser de manière significative de simples lignes de base linéaires et soulignant la nécessité de métriques standardisées pour distinguer le signal biologique authentique des artefacts statistiques.
Cette étude établit un cadre de bonnes pratiques pour la construction de réseaux de co-expression pondérés de gènes multi-omiques simultanés afin d'analyser la toxicité thyroïdienne et la récupération dans un modèle rongeur, démontrant que la concaténation de couches omiques non mises à l'échelle préserve la structure biologique tout en révélant une perturbation moléculaire extensive et une restauration partielle grâce à des analyses complémentaires de préservation des modules et de connectivité différentielle.
Le cadre GAE-Δ exploite un autoencodeur graphique pour modéliser le réarrangement des réseaux de gènes spécifique au phénotype à travers des données multi-omiques, permettant une prédiction supérieure des résultats cliniques et l'identification de conducteurs du cancer biologiquement pertinents par rapport aux méthodes existantes de factorisation linéaire et basées sur les réseaux.
L'article présente ALARMIST, un cadre probabiliste qui décode des motifs de communication multicellulaire interprétables à partir de données de transcriptomique spatiale pour identifier des schémas de signalisation d'ordre supérieur et leurs impacts phénotypiques en aval, en démontrant son utilité pour révéler les facteurs microenvironnementaux de la progression tumorale dans l'adénocarcinome pulmonaire et le glioblastome.
Ce papier présente une optimisation systématique de la plateforme CycloneSEQ, intégrant le traitement expérimental des échantillons avec les flux de travail d'assemblage computationnel pour surmonter les limites du séquençage à lectures courtes et améliorer considérablement la récupération de génomes microbiens complets à partir de métagénomiques intestinales à lectures longues.