💻 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

Deconvolution of omics data in Python with Deconomix -- cellular compositions, cell-type specific gene regulation, and background contributions

Le papier présente Deconomix, une boîte à outils Python complète dotée d'une interface graphique, permettant de déconvoluer les données de transcriptomique en vrac pour inférer les compositions cellulaires, optimiser les poids géniques via l'apprentissage automatique, estimer les contributions de fond et déterminer la régulation génique spécifique aux types cellulaires.

Mensching-Buhr, M., Sterr, T., Voelkl, D., Seifert, N., Tauschke, J., Engel, L., Rayford, A., Straume, O., Grellscheid (…)2026-03-24
💻 bioinformatics

A universal model for drug-receptor interactions

Cet article présente un modèle d'apprentissage automatique capable d'inférer les principes des interactions non liées entre médicaments et récepteurs, permettant ainsi de prédire les interactions avec de nouvelles entités chimiques sans biais de mémorisation et comblant ainsi une lacune majeure dans la découverte de médicaments.

Menezes, F., Wahida, A., Froehlich, T., Grass, P., Zaucha, J., Napolitano, V., Siebenmorgen, T., Pustelny, K., Barzowska (…)2026-03-24
💻 bioinformatics

FlashDeconv enables atlas-scale, multi-resolution spatial deconvolution via structure-preserving sketching

FlashDeconv est une nouvelle méthode de déconvolution spatiale qui, grâce à un échantillonnage par scores de levier et une régularisation spatiale, permet d'analyser à grande échelle des données Visium HD tout en révélant des microenvironnements cellulaires critiques invisibles aux approches classiques et en identifiant un horizon de résolution tissulaire spécifique.

Yang, C., Chen, J., Zhang, X.2026-03-24
💻 bioinformatics

TCRseek: Scalable Approximate Nearest Neighbor Search for T-Cell Receptor Repertoires via Windowed k-mer Embeddings

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.

Yang, Y.2026-03-24
💻 bioinformatics

From SNPs to Pathways: A genome-wide benchmark of annotation discrepancies and their impact on protein- and pathway-level inference

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.

Queme, B., Muruganujan, A., Ebert, D., Mushayahama, T., Gauderman, W. J., Mi, H.2026-03-24
💻 bioinformatics

Micro16S: Universal Phylogenetic 16S rRNA Gene Representations for Deep Learning of the Microbiome

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.

Bishop, H. V., Ogilvie, O. J., Dobson, R. C. J., Herbold, C. W.2026-03-24