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.
Cet article présente l'algorithme Trivial Tangle Traverser (TTT), une méthode automatisée qui résout les enchevêtrements complexes dans les graphes d'assemblage génomique en combinant l'estimation des multiplicités de séquences et la recherche de chemins eulériens pour générer des séquences précises là où les assembleurs traditionnels échouent.
Cette étude présente la première analyse *in silico* des domaines de la titine humaine, révélant des taux de dégradation différentiels qui en font un candidat prometteur pour l'estimation de l'intervalle post-mortem en médecine légale.
Cet article présente DIA-NN EasyFilter, un flux de travail KNIME rapide et convivial conçu pour faciliter le filtrage, l'évaluation critique et la visualisation des résultats de protéomique DIA-NN sans nécessiter de compétences en programmation.
NanoVI est une nouvelle pipeline Nextflow qui utilise l'inférence variationnelle bayésienne pour classer avec précision les lectures 16S rRNA complètes d'Oxford Nanopore au niveau de l'espèce, offrant des estimations d'abondance avec des intervalles de crédibilité et une réduction automatique des faux positifs tout en surpassant les outils existants en termes de rapidité et de fiabilité.
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.