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.
Cette étude utilise des approches computationnelles pour identifier des gènes, régulateurs et voies biologiques communs au trouble de stress post-traumatique, à la schizophrénie et au trouble bipolaire, révélant leur impact sur l'inflammation auto-immune et les maladies infectieuses.
Cette étude présente un cadre de référence complet pour l'évaluation des outils de quantification des transposons au niveau des loci dans les données d'ARN-seq monocellulaire, révélant les limites inhérentes à la résolution des jeunes éléments et proposant des meilleures pratiques pour améliorer la précision des analyses.
Une étude de simulation sur les coraux caribéens *Acropora* révèle que l'hybridation dans les projets de restauration présente un risque faible de swamping génétique mais offre un potentiel limité pour l'introgression adaptative.
Cet article présente DeepAllele, un nouveau modèle d'apprentissage profond conçu pour analyser les mesures spécifiques à l'allèle et découvrir des motifs régulateurs fonctionnels en exploitant les variations génétiques pour une meilleure compréhension de la régulation des gènes.
Le papier présente EGGS, un outil écrit en C qui permet de généraliser des génotypes empiriques comportant des données manquantes tout en offrant diverses fonctionnalités de simulation et de conversion de formats pour l'analyse génétique.
L'article présente CycleGRN, un cadre novateur qui infère les réseaux de régulation génique en modélisant les dynamiques oscillatoires du cycle cellulaire comme un système dynamique stochastique, permettant ainsi de reconstruire avec précision les interactions régulatrices directionnelles à partir de données d'ARNsc sans nécessiter de données temporelles explicites.
Le cadre spectral MOSAIC présenté dans cet article permet une caractérisation phénotypique intégrative à l'échelle des populations en apprenant une représentation conjointe haute résolution des échantillons et des caractéristiques à partir de données multi-omiques à l'échelle cellulaire unique, facilitant ainsi la détection de réorganisations de réseaux régulateurs, l'identification de sous-types de patients cachés et l'amélioration de la prédiction des résultats cliniques.
Le cadre MAP, qui intègre un graphe de connaissances biologiques et une stratégie de pré-entraînement pour générer des représentations mécanistiques unifiées, permet de prédire avec précision les réponses cellulaires à des médicaments non profilés grâce à une généralisation en zéro-shot surpassant les méthodes existantes.
L'article présente SpaMOAL, une méthode d'apprentissage contrastif sur graphes qui intègre les coordonnées spatiales, les images histologiques et les profils moléculaires pour identifier avec précision les domaines tissulaires dans les données multi-omiques spatiales, surpassant ainsi les méthodes existantes.
Cette étude présente un cadre de cartographie des destins basé sur le transport optimal qui reconstitue les trajectoires dynamiques de différenciation et de migration des lymphocytes T CD8 à travers les tissus, révélant des vagues temporelles distinctes de migration intestinale et identifiant AP4 comme un régulateur clé de la spécification entre cellules circulantes et résidentes tissulaires.