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.
Le KuPID est une méthode de prétraitement rapide des lectures RNAseq longues utilisant le hachage de k-mers pour pseudo-aligner les lectures sur des isoformes de référence, ce qui permet d'accélérer la découverte d'isoformes tout en améliorant leur précision en filtrant les lectures non pertinentes avant l'alignement complet.
Le package Python GaugeFixer résout le problème de la non-identifiabilité des paramètres dans les modèles de relations séquence-fonction en exploitant une structure mathématique spécifique pour réduire la complexité de calcul de quadratique à linéaire, permettant ainsi l'analyse et l'interprétation biologique de paysages de fitness à grande échelle.
Cet article propose l'utilisation de GFlowNet pour la génération de peptides thérapeutiques, démontrant que son échantillonnage proportionnel à la récompense permet d'obtenir une diversité structurelle intrinsèque et robuste, évitant ainsi l'effondrement de modes fréquent dans les approches d'apprentissage par renforcement traditionnelles.
Cette étude présente une méthode de distillation de modèles de langage protéiques massifs en modèles compacts, utilisant des régularisateurs complémentaires spécifiques aux protéines pour obtenir des gains significatifs en vitesse d'inférence, en efficacité d'échantillonnage sur des données rares et en adaptabilité, tout en permettant un déploiement sur du matériel grand public.
Ce papier présente ARCH3D, un modèle fondation innovant pour l'architecture génomique globale qui, grâce à une tâche de modélisation masquée des loci intégrant des profils de contact à l'échelle du génome, capture la structure spatiale globale et permet de reconstruire les interactions interchromosomiques et multivues, ouvrant ainsi la voie à la création d'un « génome virtuel » capable de simuler le comportement et la dynamique du génome.
Cette étude démontre que les modèles de base en ARN, combinés à une nouvelle méthode d'interprétabilité (CA-IG), améliorent significativement la classification généralisable de l'endométriose et permettent une identification stable de gènes prédictifs biologiquement pertinents, surmontant ainsi les limites de généralisation des modèles d'apprentissage automatique traditionnels.
Le papier présente PhyMapNet, un cadre bayésien intégrant des informations phylogénétiques pour inférer des réseaux microbiens robustes et interprétables, et propose une méthode sans réglage manuel générant des réseaux de consensus fiables grâce à l'agrégation de multiples configurations d'hyperparamètres.
En organisant la plus grande compétition de données single-cell à ce jour sur un jeu de données longitudinal multimodal, cette étude a permis d'identifier des stratégies de modélisation supérieures pour prédire les régulations géniques entre différentes modalités moléculaires et d'établir une nouvelle norme pour le développement de méthodes futures.
L'article présente STRATA, un cadre géométrique différentiel qui transforme l'analyse de la transcriptomique spatiale en cartographiant des champs d'activité régulons continus pour révéler comment le microenvironnement du mélanome homogénéise l'architecture de régulation tissulaire de la peau humaine.
Le cadre TopoMetry introduit une méthode unifiée pour apprendre et évaluer systématiquement la géométrie latente des données de cellules uniques, surpassant les approches standards en préservant fidèlement la structure biologique et en facilitant l'exploration de la diversité cellulaire via un rapport généré en une seule ligne de code.