💻 Category

bioinformatics

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.

💻 bioinformatics

ComplexDesign: sequence-hallucination design of protein binders bridging multiple proteins

ComplexDesign est une approche basée sur l'hallucination qui utilise l'optimisation de séquences guidée par la prédiction de structure et un mécanisme de masquage spécialisé pour concevoir avec succès des complexes protéiques à chaînes multiples et des liants flexibles reliant plusieurs cibles, surpassant les méthodes existantes tant pour la conception de multimères inconditionnels que pour la génération de complexes ternaires.

Xu, J., Ren, M., Qi, N., Zhang, X., He, Z., Yu, C., Bu, D.2026-06-24
💻 bioinformatics

HoloCell: A Generative Foundation Model for Holistic Cellular Modeling

HoloCell est un modèle de fondation génératif de 860 millions de paramètres préentraîné sur un corpus multi-omique massif qui unifie les données épigénomiques, transcriptomiques et protéomiques par une tokenisation hiérarchique et une diffusion itérative afin de permettre un apprentissage de représentation cellulaire holistique et une génération intermodale flexible.

Jiang, Q., Li, Z., Hu, B., Bie, Y., Li, K., Li, Q., Jin, P., He, Y., Deng, P., Wang, Z., Chen, X., Qin, T., Liu, H., Jia (…)2026-06-23
💻 bioinformatics

Comorbidity structure as an inductive bias: Comparing output-head designs for multi-label prediction of diabetes and myocardial infarction complications

Cet article démontre que les conceptions de têtes de sortie pour la prédiction multi-étiquette doivent être explicitement choisies pour refléter la structure biologique sous-jacente des comorbidités, comme en témoigne un champ aléatoire conditionnel symétrique surpassant des alternatives complexes dans les complications microvasculaires liées au diabète de type 2, tandis qu'aucune architecture unique ne s'est avérée stable pour les complications électrophysiologiques hétérogènes de l'infarctus du myocarde.

Asumboya, W. A., Agbenorhevi, P. K., Adams, C. F., Ayariga, D. A., Adjadeh, T., Adams Ziblim, S., Kwofie, S. K.2026-06-23
💻 bioinformatics

Drug-Prot: A query system for statistical inference of drug effects and interactions in dynamic proteomic networks

Drug-Prot est un cadre de calcul et une application web accessibles au public qui exploitent des données de protéomique de perturbation à grande échelle issues de lignées cellulaires de cancer du sein pour inférer statistiquement les effets causaux des médicaments, les interactions médicament-médicament et les réseaux de dépendance protéique dynamiques, permettant ainsi une analyse ciblée des réponses au niveau des protéines aux monothérapies et aux thérapies combinées.

Ulmer, M., Sun, R., Qian, L., Aebersold, R., Guo, T., Buehlmann, P.2026-06-22
💻 bioinformatics

Hierarchical classification of immune cell transcriptomes at population-scale

Cet article présente Suco, une ressource d'annotations d'experts indépendants, et Compocyte, un classificateur hiérarchique, afin d'établir un cadre robuste qui a classé avec succès 15,6 millions de cellules immunitaires provenant de près de 4 000 patients, révélant de nouveaux phénotypes immunitaires et faisant progresser la recherche en immunologie à l'échelle de la population.

Beltz, C., Qiu, Z., Sadowski, L., Kraske, J. A., Aggarwal, A., Quintanal-Villalonga, A., Manoj, P., Littbarski, A., Baja (…)2026-06-21
💻 bioinformatics

Antibody-Antigen Affinity Prediction with Chain-Aware Protein Language Modeling

Le document présente AbAffinity, un modèle d'apprentissage profond léger, basé uniquement sur les séquences, qui utilise une architecture à trois flux sensible aux chaînes pour prédire avec précision l'affinité anticorps-antigène en préservant des représentations distinctes de la chaîne lourde, de la chaîne légère et de l'antigène, surpassant ainsi les méthodes existantes dans les scénarios où les données structurelles sont indisponibles.

Singh, H., Malhotra, A., Srivastava, S. P., SINGH, R. K., Gorantla, R.2026-06-21
💻 bioinformatics

The recount3 Python package for programmatic access to uniformly processed RNA-seq data

Le package Python recount3 fournit une API et une interface en ligne de commande robustes pour permettre un accès programmatique efficace, la mise en cache et le formatage de données prêtes pour l'analyse de dizaines de milliers d'échantillons d'ARN-seq humains et de souris traités de manière uniforme, comblant ainsi le fossé entre les données transcriptomiques publiques à grande échelle et les écosystèmes modernes d'apprentissage automatique basés sur Python.

Alsalihi, A., Flight, R. M., Moseley, H. N. B.2026-06-20
💻 bioinformatics

Ribosomes are covered by a coat of flexible protein fragments

Cette étude révèle que les ribosomes de tous les domaines du vivant possèdent un manteau de fragments protéiques flexibles (FPF) fonctionnellement significatif et jusque-là négligé, invisible dans les modèles structurels standards, dont la composition et la longueur spécifiques varient selon la classe de ribosome afin de s'adapter à des environnements de membrane et d'assemblage distincts.

McGrath, H., Kvasnovsky, R., Kolar, M.2026-06-20
💻 bioinformatics

Tox21mer, A transformer foundation model for Tox21 high-throughput concentration-response curves data

Le document présente Tox21mer, un modèle de fondation transformer de 43,5 millions de paramètres préentraîné sur 2,5 millions de courbes concentration-réponse Tox21 via la reconstruction de réponses masquées, qui génère des plongements de haute qualité de 768 dimensions atteignant des performances de pointe dans la prédiction des résultats d'essais et des valeurs AC50 tout en permettant l'extrapolation à des composés non testés.

Li, L., Hwang, J., Shockley, K., Li, Y., Motsinger-Reif, A., Hsieh, J.-H., Auerbach, S. S., Reif, D.2026-06-19