774 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 papier présente PACMON, un modèle bayésien latent évolutif et interprétable qui intègre des données multi-omiques à grande échelle pour mapper les effets des perturbations sur des programmes biologiques de voies de signalisation connues.
Le papier présente TCRseek, un cadre de recherche scalable pour les répertoires de récepteurs des cellules T qui combine des embeddings de k-mers fenêtrés avec un indexage de voisins les plus proches approximatifs et un reclassement par alignement exact pour surmonter les limitations de performance et de sensibilité des méthodes existantes.
Cette étude démontre que l'utilisation d'une stratégie intégrant plusieurs outils d'annotation et modèles génétiques est essentielle pour obtenir une couverture complète des SNP et assurer la robustesse des inférences au niveau des voies biologiques, car la dépendance à une seule approche peut entraîner des résultats divergents et incomplets.
dreampy est une implémentation Python du cadre R dreamlet qui permet d'effectuer des analyses différentielles d'expression génique sur des données de RNA-seq à cellule unique en utilisant des modèles linéaires mixtes pondérés par la précision, tout en s'intégrant nativement à l'écosystème scverse et AnnData.
Le papier présente Micro16S, une approche d'apprentissage profond qui génère des représentations vectorielles continues des gènes 16S basées sur la phylogénie pour capturer la structure du microbiome, bien que les résultats actuels montrent que les méthodes d'apprentissage automatique classiques surpassent encore ce modèle sur des tâches de classification spécifiques.
ExposoGraph est une plateforme interactive de visualisation basée sur un graphe de connaissances qui unifie les données sur les carcinogènes, leur métabolisme (activation et détoxification), les dommages à l'ADN et les annotations génétiques pour faciliter l'étude des interactions gène-environnement dans le risque de cancer.
Cette étude démontre qu'un agent IA unique atteint une équivalence statistique avec l'extraction humaine de données pour cinq méta-analyses agricoles, validant un nouveau flux de travail qui résout le goulot d'étranglement de l'extraction tout en réduisant considérablement les coûts.
Le papier présente REGEN, un cadre basé sur les réseaux de neurones graphiques capable d'apprendre simultanément des réseaux d'interactions génétiques à partir de données d'expression génique en vrac et de prédire le statut vital des patients, offrant ainsi des directives méthodologiques pour l'application de ces modèles en transcriptomique.
Le cadre computationnel EvoMut permet d'ingénier la stabilité oxydative des protéines en distinguant explicitement la vulnérabilité à l'oxydation de la faisabilité des mutations, en intégrant des données structurelles, chimiques, fonctionnelles et évolutives pour identifier les sites résiduels optimaux à modifier.
Les auteurs ont développé un cadre d'évaluation harmonisé et conscient de l'implémentation pour comparer 46 outils de scores de risque polygénique, démontrant qu'aucune méthode n'est universellement optimale car leurs performances dépendent de facteurs statistiques, phénotypiques et pratiques.