878 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.
Le document présente GBZ-base et GAF-base, des formats de fichiers indexés s'appuyant sur SQLite qui permettent l'extraction efficace, sur disque, de sous-graphes de pangénomes locaux et de leurs alignements correspondants, répondant ainsi aux limites des formats de traitement par lots existants pour les applications interactives.
Panomap est le premier cartographe d'espace de signaux qui utilise des graphes de variation de pangenome pour éliminer le biais de référence et améliorer la précision du mappage pour les échantillons diversifiés de nanopore tout en maintenant un index compact et évolutif.
Cet article introduit un modèle d'évolution protéique en temps continu paramétré par un modèle de Potts génératif pour simuler les effets d'épistasie, révélant que si l'épistasie ralentit l'évolution globale et provoque une sous-estimation systématique des distances évolutives, elle n'altère pas les taux moyens spécifiques aux sites en raison de l'hétérogénéité des taux dépendante du contexte.
Cette étude démontre que l'affinement des bibliothèques spectrales du plasma en excluant les peptides non représentatifs améliore significativement la précision, l'exactitude et l'efficacité computationnelle de la quantification par protéomique en acquisition indépendante de données (DIA) sans compromettre l'identification des protéines.
MKMC est un outil évolutif et sans référence qui exploite les statistiques de k-mers pour permettre une analyse robuste de l'ARN-seq sur des organismes modèles et non modèles, détectant avec succès des signaux biologiques et des événements isoformes spécifiques qui échappent souvent aux méthodes traditionnelles basées sur l'alignement.
Les auteurs présentent CircDiscoverer, une ressource Web complète et conviviale qui intègre des données de curation manuelle et des données prédites par calcul pour explorer les interactions circRNA-protéine et les paysages de modifications de l'ARN à travers plusieurs espèces, incluant l'humain, la souris, la mouche du vinaigre et les plantes.
Cet article introduit un cadre interactif pour l'évaluation de référence des agents de codage scientifique utilisant des tâches d'alignement de transcriptomique spatiale, révélant qu'un contexte environnemental plus riche accroît l'exploration d'outils, mais peut dégrader la performance en induisant des flux de travail fragiles et des transformations inutiles, soulignant ainsi la nécessité d'évaluer les traces des agents parallèlement aux résultats finaux.
LeafRank est un nouveau cadre phylodynamique qui exploite les phylogénies d'ADN de cellule unique et un modèle de processus de branchement à types multiples pour inférer la fitness relative de cellules individuelles dans les tumeurs présentant une instabilité chromosomique, quantifiant avec succès l'hétérogénéité de la croissance et révélant que la fitness dans les lignées de duplication du génome entier est acquise par des altérations ultérieures plutôt que par des avantages immédiats.
Rectangle est un framework Python robuste et évolutif qui exploite la déconvolution multi-échelle et la modélisation explicite du contenu inconnu pour résoudre avec précision les phénotypes cellulaires dans les données d'ARN-seq en vrac à l'aide de références de cellule unique, permettant ainsi un profilage cellulaire à haute résolution à des échelles de population.
Cet article démontre que les agents de codage peuvent générer automatiquement des modèles d'enchâssement de cellules uniques interprétables et en mode zero-shot en extrayant et en composant des programmes de gènes cités dans la littérature en axes nommés, atteignant une qualité biologique comparable aux méthodes fondées sur les données tout en garantissant une robustesse intrinsèque aux effets de lot et une interprétabilité sans nécessiter d'entraînement ni de bases de données de jeux de gènes préalables.