1071 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.
Ce papier présente GMIP-PLSR, un pipeline Nextflow innovant qui intègre des données multi-omiques et utilise la régression PLSR pour surmonter les problèmes de multicolinéarité, améliorant ainsi la priorisation des gènes dans les études d'association pangénomique (GWAS) par rapport aux méthodes existantes comme PoPS.
Cette étude présente un cadre de recherche par grille pour calibrer automatiquement les algorithmes de détection du sommeil par actigraphie, démontrant qu'il constitue une alternative reproductible et plus performante au réglage manuel tout en améliorant l'estimation des horaires de sommeil et la gestion des éveils intra-sommeil via des méthodes d'ensemble.
Le papier présente gbdraw, une application web et utilitaire en ligne de commande écrite en Python qui génère des diagrammes de génomes microbiens et d'organites de manière sécurisée et locale, sans nécessiter de téléchargement de données vers un serveur distant.
Cette étude démontre que l'analyse par IRM multi-organes de 70 000 sujets permet de détecter des schémas de vieillissement accéléré, tant locaux que globaux, associés à des maladies chroniques et à des facteurs de mode de vie, offrant ainsi une base pour une stratification des risques améliorée et des approches de santé personnalisées.
Ce travail présente un modèle mathématique minimal capable de décrire la dynamique de la sclérose en plaques, notamment ses phases de rémission et de rechute liées à l'inflammation et à la démyélinisation, en s'appuyant sur des données expérimentales pour reproduire les comportements oscillatoires typiques de la maladie.
Ce papier présente TPCAV, une méthode d'attribution de concepts améliorée par une transformation de décorrélation en PCA, qui permet d'interpréter de manière robuste et agnostique aux types d'entrée les modèles d'apprentissage profond en génomique, y compris ceux utilisant des représentations tokenisées ou des signaux de chromatine.
Les chercheurs ont développé GeoARG, un cadre d'apprentissage automatique intégrant des caractéristiques structurelles et des modèles de langage protéiques, qui permet de découvrir de nouveaux gènes de résistance aux antibiotiques en identifiant des homologues éloignés que les méthodes traditionnelles basées sur la séquence ne détectent pas.
Cette étude présente un cadre d'analyse géométrique pour les interactions ligand-récepteur en transcriptomique spatiale qui distingue l'association aux interfaces de la localisation spatiale réelle, révélant que la communication tumorale s'inscrit dans un continuum de contraintes spatiales plutôt que dans des régimes discrets.
Cette étude démontre que l'application simultanée de variables de substitution (SV) et de composantes principales (PC) pour corriger les facteurs de confusion dans les analyses d'expression différentielle améliore significativement la reproductibilité et la validité biologique des résultats par rapport à l'utilisation isolée de l'une ou l'autre méthode.
Les auteurs présentent *sosta*, un package Bioconductor open-source permettant d'analyser directement les structures anatomiques multicellulaires dans les données d'omique spatiale, dépassant ainsi les limites des méthodes actuelles centrées sur les cellules individuelles.