1063 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 megaMine, un cadre fondé sur des règles, transparent et évolutif, qui extrait efficacement des preuves structurées de type gène-cancer-médicament à partir de la littérature biomédicale, démontrant une grande précision pour distinguer l'efficacité thérapeutique et générer des données interprétables pour la synthèse de connaissances en aval.
DuplexFM est un cadre biologiquement fondé qui exploite des représentations dérivées de miARN transférables et des caractéristiques d'accessibilité fondées sur l'expérience pour améliorer significativement la prédiction de l'efficacité des siARN, offrant une approche efficiente en paramètres pour la modélisation unifiée de la régulation de l'ARN médiée par Argonaute.
STR-PG introduit un cadre de pangénome à topologie découplée qui sépare la représentation des locus stables du contenu allélique dynamique via un registre externe, permettant un génotypage par lectures courtes de répétitions en tandem courtes à la fois évolutif et précis sans nécessiter de reconstruction de graphe lors de l'ajout de nouveaux allèles.
SeqDesk est un système de gestion de données open-source et conforme aux principes FAIR, conçu pour les plateformes de séquençage afin de rationaliser la collecte de métadonnées standardisées, d'automatiser l'analyse bioinformatique et de faciliter la soumission directe à l'European Nucleotide Archive en intégrant ces processus dans les flux de travail opérationnels de routine plutôt que de les traiter comme des tâches rétrospectives.
STUltra est un cadre évolutif basé sur les hypergraphes qui intègre des données de transcriptomique spatiale à grande échelle pour détecter des domaines spatiaux et cartographier les traits génétiques associés aux maladies à travers divers contextes tissulaires, surmontant les effets de lot et permettant la découverte d'architectures moléculaires sous-jacentes à des maladies complexes telles que la cardiopathie congénitale et la maladie d'Alzheimer.
Cet article introduit STORM, un cadre statistique fondé sur des principes qui unifie les tests d'hypothèses spatiaux, l'estimation de la taille de l'effet, l'analyse de puissance et le plan d'expérience pour analyser rigoureusement les motifs spatiaux dans les données multi-omiques.
nf-cavalier est un pipeline Nextflow open-source qui automatise l'annotation, le filtrage et le rapport visuel des variants génomiques afin de faciliter l'identification des mutations causales dans les maladies mendéliennes rares.
L'article présente pysigscore, un cadre Python polyvalent qui intègre 18 méthodes de score de jeux de gènes avec des options personnalisables et des analyses de fiabilité pour quantifier de manière robuste l'activité de signatures dans les données de transcriptomique en vrac et en cellule unique.
Ce rapport enregistré présente le cadre de travail Signaling Pathway Reconstruction Analysis Streamliner (SPRAS) afin de permettre une évaluation comparative systématique et à grande échelle de 14 algorithmes de reconstruction de voies à travers 822 ensembles de données, visant à résoudre les défis d'hétérogénéité actuels et à guider la sélection optimale d'algorithmes pour des contextes biologiques spécifiques.
Cet article présente un décodeur génératif profond (DGD) capable d'effectuer la réduction de dimensionnalité sur des ensembles de données comprenant des millions de caractéristiques et peu d'échantillons, démontrant que les exigences d'entraînement sont largement indépendantes de la dimensionnalité des caractéristiques et montrant une performance supérieure dans la classification des tumeurs par rapport à la PCA et aux VAE.