💻 Category

bioinformatics

885 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

Pan-Metabolomics Repository Mapping of the Carnitine Landscape

En exploitant une stratégie de fouille de données pan-référentielle sur des spectres LC-MS/MS, cette étude a généré une bibliothèque exhaustive de 34 222 spectres MS/MS pour 2 857 compositions atomiques, permettant ainsi de cartographier la diversité chimique des carnitines et d'identifier de nouvelles conjugaisons, comme celles avec l'acide dihydroférulique, pour mieux comprendre leur rôle dans le métabolisme, le régime alimentaire et l'exposition aux xénobiotiques.

Mannochio-Russo, H., Ferreira, P. C., Kvitne, K. E., Patan, A., Deleray, V., Agongo, J., Gouda, H., Goncalves Nunes, W. (…)2026-03-31
💻 bioinformatics

Carafe2 enables high quality in silico spectral library generation for timsTOF data-independent acquisition proteomics

L'article présente Carafe2, un outil de deep learning capable de générer des bibliothèques spectrales in silico de haute qualité directement à partir de données DIA natives timsTOF, surpassant les modèles préentraînés sur des données DDA pour améliorer la détection et la quantification des peptides dans diverses applications protéomiques.

Wen, B., Paez, J. S., Hsu, C., Canzani, D., Chang, A. T., Shulman, N., MacLean, B. X., Berg, M. D., Villen, J., Fondrie (…)2026-03-31
💻 bioinformatics

Scalable Microbiome Network Inference: Mitigating Sparsity and Computational Bottlenecks in Random Effects Models

Cet article présente Parallel-REM, un pipeline Python parallèle et évolutif qui surmonte les goulots d'étranglement computationnels des modèles à effets aléatoires pour l'inférence de réseaux microbiens, permettant un traitement rapide de données massives avec une précision statistique préservée pour alimenter les architectures d'apprentissage profond.

Roy, D., Ghosh, T. S.2026-03-31
💻 bioinformatics

GraphBG: Fast Bayesian Domain Detection via Spectral Graph Convolutions for Multi-slice and Multi-modal Spatial Transcriptomics

Le papier présente GraphBG, un cadre bayésien scalable et unifié qui utilise des convolutions graphiques spectrales pour détecter avec précision des domaines spatiaux cohérents dans des données de transcriptomique spatiale multi-tranches et multi-modales, surpassant les méthodes existantes en termes de rapidité, d'évolutivité et de pertinence biologique.

Do, V. H., Tran, T. P. L., Canzar, S.2026-03-31
💻 bioinformatics

KuafuPrimer: Machine learning empowers the design of 16S amplicon sequencing primers toward minimal bias for bacterial communities

L'article présente KuafuPrimer, une approche d'apprentissage automatique qui conçoit des amorces de séquençage 16S optimisées pour réduire considérablement les biais et améliorer la détection de taxons clés, surpassant ainsi les amorces universelles dans des études microbiennes à grande échelle et des diagnostics cliniques.

Zhang, H., Jiang, X., Yu, X., Wang, H., Lu, P., Hou, J., Guo, Q., Xiao, T., Wu, S., Yin, H., Geng, P. X., Guo, J., Jouss (…)2026-03-31
💻 bioinformatics

MetaGEAR Explorer: Rapid interactive searches and cross-cohort analyses of microbiome gene associations in disease

Le MetaGEAR Explorer est une plateforme web interactive qui permet d'explorer rapidement les associations entre des gènes microbiens et des maladies comme la maladie de Crohn ou le cancer colorectal en analysant plus de 33 millions de gènes provenant de 9 053 échantillons métagénomiques de cohortes diverses.

Rios, E., Jin, S., Zhang, C., Neuhaus, F., He, X., Weissenberger, S., Schirmer, M.2026-03-31