1238 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.
Cet article présente CROWN, un nouveau jeu de données de 153 005 complexes protéine-ligand généré par un pipeline automatisé de filtrage et de minimisation d'énergie, qui offre une diversité structurelle quatre fois supérieure à celle des bases existantes tout en conservant des normes de qualité rigoureuses pour l'entraînement de modèles d'apprentissage automatique.
Le package R geneslator offre un cadre unifié et précis pour la conversion d'identifiants géniques, la cartographie des orthologues et l'annotation des voies biologiques chez huit organismes modèles, permettant ainsi une interprétation robuste et reproductible des données de séquençage à haut débit.
Cette étude utilise une analyse computationnelle guidée par la structure pour évaluer l'impact de différents peptides de liaison sur la stabilité et la fonction d'un fragment d'anticorps scFv ciblant le récepteur GUCY2C, établissant ainsi un cadre pour l'optimisation rationnelle de thérapies contre le cancer colorectal.
T-Rex est une application de bureau intuitive et sans code qui permet aux cliniciens d'analyser de manière standardisée et conforme aux réglementations les données de séquençage de l'exome entier en trio pour identifier des variants germinaux rares, en intégrant des outils de pointe et en démontrant une haute précision et une validation clinique robuste.
Cet article présente Claw4Science, une plateforme et un ensemble de données curatés regroupant 91 projets et 2 230 compétences de l'écosystème OpenClaw, visant à unifier, analyser et faciliter l'accès aux agents scientifiques modulaires tout en soulignant les défis persistants en matière d'évaluation et de gouvernance.
STAPLE est un cadre modulaire qui automatise et unifie l'analyse des transcriptomies spatiales en intégrant des outils disparates et en générant des rapports interprétables par l'intelligence artificielle pour améliorer la reproductibilité et l'interprétation des résultats biologiques.
Cette étude présente un cadre multimodal dynamique intégrant l'expression génique, les trajectoires de laboratoire longitudinales et l'historique des traitements pour prédire la survie globale des patients atteints de myélome multiple avec une précision supérieure aux méthodes existantes, tout en validant sa robustesse sur des cohortes indépendantes et en identifiant des signatures biologiques pertinentes.
Cette étude propose un cadre robuste pour les forêts aléatoires en génomique, démontrant que les stratégies de transformation des données, notamment les approches basées sur le classement, constituent la méthode la plus efficace pour atténuer les effets de la contamination des données tout en préservant la qualité des prédictions pour la sélection animale et végétale.
Ce papier présente SSPSPredictor, un modèle d'apprentissage profond multimodal fusionnant des informations de séquence et de structure pour prédire avec précision et interprétabilité les protéines subissant une séparation de phases, révélant ainsi des liens significatifs entre les protéines intrinsèquement désordonnées, les mutations pathogènes et les maladies.
Ce papier présente BulkMonSTR, un cadre computationnel combinant une modélisation des erreurs spécifique aux répétitions courtes en tandem (STR) et une classification par apprentissage automatique pour détecter avec précision les mutations mosaïques somatiques dans les données de séquençage de nouvelle génération en vrac, surpassant les méthodes existantes et offrant une base évolutive pour étudier leur rôle dans le vieillissement et les maladies.