1246 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 démontre que les gènes issus de duplications de génome entier anciennes (paleologues), en particulier ceux revenus à l'état mono-copie, sont significativement enrichis dans les listes de domestication de 22 espèces de cultures, révélant ainsi que ces duplications anciennes fournissent un substrat génomique durable pour l'évolution des plantes cultivées.
Cette étude présente une approche intégrée de découverte rationnelle et de validation sérologique d'épitopes B spécifiques de *Trypanosoma cruzi*, permettant de développer un diagnostic de la maladie de Chagas à haute précision capable de surmonter les réactions croisées avec la leishmaniose, notamment grâce à l'identification de l'épitope 5 comme candidat idéal pour les régions co-endémiques.
Cet article présente MSstatsResponse, un cadre statistique semi-paramétrique open-source qui améliore la détection des interactions médicament-protéine dans les expériences de chémoprotéomique en utilisant une régression isotone pour surmonter les limites des méthodes existantes, notamment en termes de robustesse et de sensibilité dans des conditions expérimentales à faible nombre de réplicats ou de doses.
CDS-BART est un modèle fondamental open-source basé sur l'architecture BART et pré-entraîné sur des données de neuf groupes taxonomiques, conçu pour combler le manque d'outils accessibles capables d'analyser efficacement des séquences d'ARNm thérapeutiques jusqu'à 4 kb.
Le papier présente TEgenomeSimulator, un cadre flexible permettant de générer des génomes synthétiques avec des paysages d'éléments transposables configurables pour pallier le manque de données de référence et faciliter le développement d'algorithmes d'annotation ainsi que l'étude de la dynamique évolutive de ces éléments.
Ce papier présente DiffEvol, un cadre mathématique qui modélise l'évolution comme un processus de diffusion contraint sur un espace de génotypes, permettant d'inférer les paysages de fitness et d'analyser la dynamique évolutive de virus comme le SARS-CoV-2 en inversant les données de séquences temporelles.
Le papier présente SwiftTCR, un protocole de docking computationnel rapide et efficace qui, en exploitant les angles de docking polarisés des TCR et en réduisant les rotations FFT, surpasse les outils existants pour modéliser les complexes TCRpMHC-I en quelques minutes, facilitant ainsi le développement de thérapies et d'algorithmes d'apprentissage profond.
Cette étude démontre que l'impact de la sélection de génomes de référence sur la précision du profilage taxonomique et l'efficacité computationnelle dépend du contexte biologique et de la résolution requise, indiquant qu'il n'existe pas de solution universelle mais que des stratégies doivent être adaptées spécifiquement aux besoins, notamment pour les niveaux de souche ou de lignée virale.
Cet article présente FASTiso, un algorithme exact d'isomorphisme de sous-graphe qui, grâce à une cohérence forte entre l'ordre des variables et les règles d'élagage, surpasse les solveurs de référence en efficacité et en scalabilité tout en conservant une empreinte mémoire réduite sur des graphes de toutes tailles et densités.
Cette étude propose un cadre d'apprentissage par transfert phylogénétiquement informé utilisant des modèles de langage protéique pour améliorer la prédiction des épitopes en adaptant efficacement les connaissances d'agents pathogènes apparentés à des cibles peu représentées.