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.
Les auteurs présentent CircDiscoverer, une ressource Web complète et conviviale qui intègre des données de curation manuelle et des données prédites par calcul pour explorer les interactions circRNA-protéine et les paysages de modifications de l'ARN à travers plusieurs espèces, incluant l'humain, la souris, la mouche du vinaigre et les plantes.
Cet article introduit un cadre interactif pour l'évaluation de référence des agents de codage scientifique utilisant des tâches d'alignement de transcriptomique spatiale, révélant qu'un contexte environnemental plus riche accroît l'exploration d'outils, mais peut dégrader la performance en induisant des flux de travail fragiles et des transformations inutiles, soulignant ainsi la nécessité d'évaluer les traces des agents parallèlement aux résultats finaux.
LeafRank est un nouveau cadre phylodynamique qui exploite les phylogénies d'ADN de cellule unique et un modèle de processus de branchement à types multiples pour inférer la fitness relative de cellules individuelles dans les tumeurs présentant une instabilité chromosomique, quantifiant avec succès l'hétérogénéité de la croissance et révélant que la fitness dans les lignées de duplication du génome entier est acquise par des altérations ultérieures plutôt que par des avantages immédiats.
Rectangle est un framework Python robuste et évolutif qui exploite la déconvolution multi-échelle et la modélisation explicite du contenu inconnu pour résoudre avec précision les phénotypes cellulaires dans les données d'ARN-seq en vrac à l'aide de références de cellule unique, permettant ainsi un profilage cellulaire à haute résolution à des échelles de population.
Cet article démontre que les agents de codage peuvent générer automatiquement des modèles d'enchâssement de cellules uniques interprétables et en mode zero-shot en extrayant et en composant des programmes de gènes cités dans la littérature en axes nommés, atteignant une qualité biologique comparable aux méthodes fondées sur les données tout en garantissant une robustesse intrinsèque aux effets de lot et une interprétabilité sans nécessiter d'entraînement ni de bases de données de jeux de gènes préalables.
EZSolver est un cadre génératif sans gabarit qui exploite l'appariement de flux et la recherche bidirectionnelle guidée par évaluateur pour prédire avec précision les mécanismes de réactions enzymatiques polaires pour la chimie hors distribution, surmontant ainsi les limitations de généralisation des modèles traditionnels basés sur des règles.
Cette étude présente PredHLM, un modèle d'apprentissage automatique basé sur XGBoost, quantitatif et interprétable, entraîné sur près de 12 000 composés, qui prédit avec précision la demi-vie métabolique dans les microsomes de foie humain et identifie les principaux facteurs chimiques déterminants afin de soutenir une prise de décision rapide lors des premières phases de la découverte de médicaments.
L'article présente stGP, un cadre statistique qui décompose les données transcriptomiques spatiotemporelles en composantes temporelles et spatiales afin d'identifier des programmes de gènes interprétables et spécifiques aux types cellulaires, révélant ainsi comment les architectures tissulaires dynamiques et les réponses cellulaires localisées évoluent à travers le temps et les niches anatomiques.
L'article introduit DL4DR, un modèle d'apprentissage profond à deux tours avec fusion tardive résiduelle, qui prédit les réponses aux médicaments pour l'ensemble du cancer du sein en encodant les lignées cellulaires sous forme d'images génomiques et en combinant les représentations moléculaires, atteignant ainsi une généralisation supérieure aux lignées cellulaires et types de cancers non vus tout en identifiant de nouveaux moteurs génomiques sans dépendre des identités des lignées cellulaires.
L'article présente hmSEKRE, un modèle de Markov caché basé sur les k-mers qui analyse les transcriptomes pour identifier des similitudes de séquences non linéaires au niveau des domaines dans les ARN longs non codants, permettant ainsi la découverte de domaines d'ARN fonctionnellement liés et de leurs réseaux d'interaction protéique associés sans nécessiter de connaissances préalables en alignement de séquences.