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.
PhosSight est un cadre d'apprentissage profond unifié qui améliore l'identification et accélère l'analyse des phosphoprotéomes en modes DDA et DIA, permettant ainsi la découverte de nouvelles cibles thérapeutiques en oncologie de précision.
Le framework d'apprentissage par contraste FAMUS améliore l'annotation fonctionnelle des protéines à grande échelle en utilisant l'ensemble des scores de similarité avec des bases de profils HMM plutôt que le seul meilleur résultat, surpassant ainsi des outils existants comme KofamScan et InterProScan.
Cette étude présente SCL2205, un jeu de données de haute qualité et sans fuite d'information pour la prédiction de la localisation subcellulaire des protéines, qui améliore significativement les performances des modèles d'apprentissage profond tout en exposant les biais de fuite de données dans les méthodes actuelles.
Cette étude démontre que la phosphorylation d'un épitope dérivé d'ASXL2 améliore l'affinité de liaison et modifie la dynamique conformationnelle du complexe peptide-HLA, offrant ainsi une base structurale pour cibler ces néo-antigènes dans l'immunothérapie du cancer.
Le consortium NIH MorPhiC a développé STAR Suite, une modernisation de l'aligneur STAR intégrant directement les fonctionnalités de traitement dans son code source C++ via une collaboration humain-IA, afin d'éliminer les goulots d'étranglement liés aux fichiers intermédiaires et d'offrir une solution de transcriptomique haute performance et sans dépendances supplémentaires.
Cette étude démontre que l'utilisation d'une approche par ensemble de modèles de prédiction génomique améliore la précision de la prédiction des dates de floraison chez le maïs en combinant les forces complémentaires de modèles individuels, offrant ainsi une méthode plus robuste pour l'amélioration des cultures.
Le papier présente ChatSpatial, une plateforme orchestrée par des agents et fondée sur le protocole MCP qui unifie plus de 60 méthodes d'analyse de transcriptomique spatiale à travers les écosystèmes Python et R, garantissant une reproductibilité quasi déterministe grâce à l'utilisation de schémas pré-validés plutôt que de la génération de code libre.
Cette étude présente un benchmark systématique des méthodes de déconvolution de l'ARN cellulaire libre plasmatique, démontrant que l'inférence de l'origine tissulaire est robuste alors que celle de l'origine cellulaire reste plus variable et dépendante du choix de la méthode et des références utilisées.
Cet article présente Fractal, un écosystème composé d'une spécification de tâches et d'une plateforme conçus pour permettre des workflows d'analyse d'images biologiques évolutifs, reproductibles et natifs du format OME-Zarr à l'échelle du téraoctet.
Cette étude compare les performances de 29 algorithmes d'apprentissage automatique, de 80 modèles d'apprentissage profond et de 3 outils de scores de risque polygénique sur 80 phénotypes binaires du jeu de données openSNP, révélant que les méthodes d'apprentissage automatique surpassent les outils traditionnels pour 44 phénotypes tandis que les scores de risque polygénique sont plus performants pour 36 autres.