1242 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 PSALM, une nouvelle méthode d'annotation des domaines protéiques qui combine un modèle de langage préentraîné (ESM-2) et un décodeur probabiliste structuré pour atteindre des performances comparables à HMMER tout en offrant une meilleure couverture des séquences à des seuils de confiance plus relâchés.
Cette étude introduit l'« amino acid substitutomics », une nouvelle pipeline basée sur l'outil PIPI-C pour profiler les substitutions d'acides aminés à l'échelle protéomique dans cinq types de cancers, révélant ainsi des modifications post-traductionnelles majoritairement inédites qui éclairent les mécanismes biologiques, la résistance aux médicaments et l'échappement immunitaire.
Cette étude bioinformatique démontre que la surexpression du gène ITGB1, associée à un mauvais pronostic et à une résistance thérapeutique dans douze types de cancers, en fait un biomarqueur prometteur pour le pronostic et le ciblage thérapeutique.
Cette revue systématique examine l'application de l'apprentissage de représentations profondes, en particulier des auto-encodeurs variationnels, à l'analyse des données omiques du cancer, soulignant que malgré leur utilité pour le diagnostic et le pronostic, leur potentiel pour modéliser la dynamique temporelle de la maladie reste sous-exploité en raison du manque de données longitudinales.
L'article présente EnzyGen2, un modèle fondamental d'IA de 730 millions de paramètres capable de co-concevoir simultanément la séquence et la structure d'enzymes de novo fonctionnelles guidées par des ligands, surpassant les méthodes existantes en précision et en vitesse tout en ayant été validé expérimentalement par la création d'enzymes catalytiquement actives et hautement novatrices.
Le papier présente Flipper, un cadre avancé conçu pour l'analyse rigoureuse du comportement de liaison différentielle des protéines de liaison à l'ARN (RBP) à partir de données eCLIP, en surmontant les limites des outils actuels grâce à des stratégies de normalisation hiérarchique et à l'intégration de contrôles d'entrée pour distinguer les effets d'expression des véritables changements de liaison.
Le papier présente CCIDeconv, un modèle hiérarchique capable de déduire les interactions cellule-cellule au niveau subcellulaire à partir de données de transcriptomique monocellulaire non spatiales en s'appuyant sur des modèles entraînés sur des données de transcriptomique spatiale subcellulaire.
En utilisant un modèle de variété latente à cellules uniques, cette étude révèle que la parodontite chronique entraîne une hystérésis transcriptionnelle irréversible et une perte critique des contraintes de couplage cellulaire, quantifiées par un nouvel indice de permission régénérative (RPI) qui prédit l'échec inévitable des interventions régénératrices au-delà d'un seuil temporel spécifique.
L'article présente BlueSTARR, un cadre de modélisation prédictive retrainable basé sur l'apprentissage profond qui exploite les données d'essais rapporteurs à haut débit (STARR-seq) pour interpréter les effets des variants non codants, révéler des signatures de sélection purificatrice et prédire les réponses aux perturbations pharmacologiques.
L'article présente IDBSpred, un outil basé sur l'apprentissage automatique et les modèles de langage protéique (ESM-2) qui prédit avec précision les sites de liaison des protéines intrinsèquement désordonnées sur leurs partenaires structurés, offrant ainsi un cadre pratique pour l'étude de ces interfaces et l'identification de cibles thérapeutiques.