1235 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.
Cette étude démontre que l'ingénierie soignée d'alignements de séquences multiples (MSA) et de modèles structuraux améliore significativement la précision des prédictions d'AlphaFold3 pour les monomères, les multimères et les complexes protéine-ligand, surpassant même AlphaFold2 dans des conditions d'entrée équivalentes.
Cette étude révèle qu'AlphaFold 3 fonctionne principalement comme un algorithme sensible de reconnaissance de repliement qui dépend de la diversité phylogénétique des séquences d'alignement pour activer des priors structuraux, plutôt que de la profondeur de l'alignement ou de la familiarité de la séquence.
Cette étude propose un cadre d'intégration de profils protéomiques hétérogènes basé sur la directionnalité des changements différentiels, permettant de construire un réseau interactif qui révèle des regroupements biologiques significatifs, notamment autour du traitement au doxorubicine et de l'état tumoral.
Le papier présente SCIGMA, un cadre d'apprentissage profond évolutif et généralisable qui intègre de manière fiable jusqu'à cinq modalités omiques spatiales tout en fournissant des estimations d'incertitude pour améliorer l'interprétabilité et la détection des hétérogénéités biologiques ou techniques.
Le framework CHORD permet l'intégration de données de transcriptomique à cellule unique entre différentes espèces en apprenant conjointement des représentations des gènes, des cellules et des types cellulaires, ce qui facilite l'annotation des types cellulaires, la détection de types inconnus et la comparaison de variations phénotypiques continues.
L'article présente LinkD, une plateforme unifiée et pilotée par des agents intelligents qui intègre la modélisation moléculaire, la validation phénotypique à grande échelle et l'analyse de dossiers médicaux électroniques pour accélérer et valider le repositionnement de médicaments à travers plusieurs échelles biologiques.
BioEngine est une couche d'exécution et d'adaptation déployable sur divers matériels qui permet aux biologistes d'utiliser, d'adapter et de déployer des modèles d'IA pour l'imagerie biologique en décrivant simplement leurs objectifs à un agent intelligent.
Le papier présente PEACE, une méthode légère intégrant des embeddings ProtTrans et un apprentissage contrastif basé sur des prototypes pour surmonter le déséquilibre des classes et améliorer la précision de la prédiction des effecteurs fongiques et oomycètes par rapport à EffectorP 3.0.
Cet article présente GTStrDTI, un cadre d'apprentissage profond hiérarchique combinant des mécanismes d'attention graphique et croisée pour améliorer la prédiction de l'affinité de liaison médicament-cible en intégrant des données structurelles 3D, surpassant ainsi les méthodes de l'état de l'art sur plusieurs jeux de données de référence.
Cette étude démontre qu'un agent d'apprentissage automatique peut optimiser la politique de classement des candidats médicaments peptidiques pour la sélection préclinique, surpassant significativement les méthodes traditionnelles comme NSGA-II et la recherche de poids aléatoires sur un benchmark public antimicrobien.