895 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.
OmicClaw est un cadre d'analyse multi-omiques exécutable et reproductible, construit sur l'écosystème unifié OmicVerse et le runtime J.A.R.V.I.S., qui permet aux utilisateurs d'interagir avec des données biologiques complexes via du langage naturel tout en garantissant la traçabilité et la reproductibilité des workflows.
En développant un modèle d'équations aux dérivées partielles structuré par le phénotype qui intègre la diffusion, la compétition pour les ressources et un compromis vie-mortalité, cette étude révèle comment les régimes thérapeutiques ciblent sélectivement différentes sous-populations de prolifération, modifiant ainsi la dynamique évolutive et la résistance adaptative des tumeurs.
Cet article présente 3D-Manhattan, un outil de visualisation interactif et autonome qui intègre les résultats de multiples études d'association pangénomique (GWAS) dans un système de coordonnées tridimensionnel pour faciliter la comparaison dynamique des signaux génétiques à travers le temps, les traits ou les conditions expérimentales.
Cette étude présente la conception rationnelle et la validation computationnelle de Solres, une nouvelle molécule antibactérienne ciblant les protéines de virulence de *Ralstonia solanacearum* grâce à une approche intégrée combinant intelligence artificielle, chimie quantique et simulations moléculaires pour lutter contre la résistance aux antimicrobiens en agriculture.
Ce papier présente RNAElectra, un modèle de fondation pour l'ARN préentraîné selon une approche ELECTRA avec détection de tokens remplacés (RTD) plutôt qu'un masquage classique, ce qui lui permet de surpasser les modèles existants dans la prédiction de diverses régulations et interactions de l'ARN tout en offrant une meilleure interprétabilité.
Ce papier présente ATOMICA, un modèle d'apprentissage profond géométrique capable d'acquérir des représentations universelles des interfaces intermoléculaires à travers cinq modalités biologiques, surpassant les méthodes existantes sur plusieurs tâches de prédiction et permettant d'identifier expérimentalement de nouveaux ligands pour des protéines au fonction inconnue.
En combinant les bases de données AlphaFold et ESMatlas pour créer l'ensemble de données AFESM de 820 millions de structures, cette étude révèle une diversité structurelle inédite, notamment 12 nouveaux repliements de domaines et 11 941 combinaisons jamais observées, soulignant l'importance cruciale des données métagénomiques et de la qualité des prédictions pour explorer l'univers des protéines.
Le Biodiversity Observatory System (BiOS) est une plateforme logicielle open-source modulaire qui, en respectant les principes FAIR et en séparant la gestion des données de leur visualisation, permet d'intégrer et d'harmoniser des données de biodiversité hétérogènes pour faciliter la recherche et la conservation.
Le papier présente SC-BIG, un modèle bayésien hiérarchique qui améliore la détection des variants nucléotidiques somatiques dans les cellules uniques en exploitant les données de séquençage de masse pour estimer les fractions cellulaires cancéreuses et fournir des probabilités postérieures bien calibrées.
Cette étude présente un benchmark explicatif de 26 méthodes de détection de domaines spatiaux sur un large éventail de données réelles et semi-synthétiques, révélant que la résolution et l'hétérogénéité cellulaire sont des facteurs déterminants de la performance et démontrant que le choix du prétraitement et du clustering influence davantage les résultats que l'innovation architecturale des modèles.