770 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.
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.
Cet article révèle que la fuite de données induite par l'homologie gonfle systématiquement les performances des modèles de séquence entraînés sur le génome en les amenant à s'appuyer sur des associations mémorisées plutôt que sur des principes généralisables, et propose l'outil hashFrag pour permettre un partitionnement des données conscient de l'homologie afin d'obtenir une évaluation plus fiable et une meilleure généralisation des modèles.
Cette étude présente un cadre computationnel systématique qui intègre la phosphoprotéomique résolue dans le temps avec un algorithme de recherche par faisceau guidé par une recherche en largeur (BFS) pour reconstruire des réseaux de signalisation EGFR spécifiques aux types cellulaires, révélant avec succès comment l'inhibition de SHP2 reconfigure les architectures de voies et entraîne des mécanismes de résistance adaptative.
Ce papier présente un cadre Texte-vers-Cible conscient de la provenance qui intègre la récupération par modèle de langage de grande taille contrainte par un schéma avec l'analyse de données omiques numériques pour générer des cibles de maladies interprétables et prêtes à l'audit ainsi que des stratégies de découverte de médicaments, démontrant une validation significative dans la maladie d'Alzheimer et l'adénocarcinome canalaire pancréatique.
Cette étude intègre des données multi-omiques pour développer et valider une signature pronostique épurée de 15 gènes et un nomogramme clinique-génomique qui prédisent avec précision les résultats de survie chez les patientes atteintes de cancer du sein triple négatif.
Ce papier introduit des objectifs contrastifs asymétriques, notamment une variante SPC inspirée géométriquement qui intègre des métadonnées expérimentales sous forme de vecteurs de classes appris, afin d'extraire efficacement des représentations d'images pour le criblage phénotypique, surpassant les méthodes antérieures sur plusieurs jeux de données et métriques tout en restant efficace avec des données et des ressources de calcul limitées.
Ce papier présente TEA, un nouvel alphabet protéique à 20 lettres dérivé des embeddings de modèles de langage par apprentissage contrastif, qui permet une détection rapide et sensible d'homologies lointaines rivalisant avec les méthodes basées sur la structure tout en exploitant les algorithmes de recherche de séquences existants.
Cet article révèle que l'utilisation répandue de tests statistiques invalides ignorant la dépendance des plis de validation croisée en apprentissage automatique biomédical conduit à des taux de faux positifs gonflés, incitant les auteurs à proposer le test SHARP comme solution robuste et à fournir de nouvelles directives de rapport pour une comparaison valide des modèles.