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 présente la tokenisation guidée (GT), une stratégie qui intègre des connaissances biologiques et statistiques pour améliorer la performance et l'efficacité des modèles de langage génomique dans diverses tâches de classification et d'analyse.
Cette étude démontre que l'utilisation de modèles de langage à poids ouverts, combinée à un filtrage sémantique, permet d'automatiser avec une grande précision la curation des métadonnées non structurées des bases de données de sciences du vivant, facilitant ainsi la réutilisation des données publiques.
Le papier présente Wayfarer, un cadre d'analyse spatiale multiscale intégré dans un package R, qui permet de suivre l'évolution des associations spatiales à travers différentes résolutions pour révéler des signatures de progression tumorale invisibles aux échelles uniques, comme démontré sur des données de transcriptomique spatiale de cancer du poumon.
SCiMS est un nouvel outil bioinformatique capable de prédire avec précision le sexe de l'hôte à partir de faibles quantités d'ADN dans des séquences métagénomiques, comblant ainsi les lacunes des métadonnées et améliorant la qualité des études sur le microbiome.
Le papier présente DEFT, une nouvelle méthode d'apprentissage profond qui combine les approches basées sur la séquence et la structure pour améliorer la précision et l'efficacité de la prédiction des numéros EC, permettant ainsi une annotation à haut débit des enzymes bactériennes dégradant les mucines intestinales.
Cet article propose un cadre d'évaluation équilibré par entité et une stratégie d'entraînement nommée UnbiasNet pour éliminer les biais de shortcuts dans la prédiction des associations biologiques multi-entrées, permettant ainsi une évaluation plus juste et une détection plus robuste des interactions réelles.
Cette étude démontre qu'un algorithme de sous-échantillonnage basé sur les préfixes permet de réduire la taille des génomes bactériens tout en maintenant une haute précision prédictive pour les phénotypes, surpassant les architectures d'apprentissage profond complexes et offrant une voie prometteuse vers des modèles de langage génomique légers et interprétables.
Le papier présente PIGLET, une nouvelle méthode basée sur un transformateur de graphes qui prédit les interactions médicament-cible en exploitant un graphe de connaissances protéomique, surpassant les modèles existants lors d'évaluations rigoureuses et démontrant son utilité dans un cas d'étude réel de découverte de médicaments.
Cet article présente la méthodologie ICI-Kt, qui interprète les valeurs manquantes de type censuré à gauche dans les données métabolomiques comme des informations utiles pour améliorer le calcul de la corrélation de Kendall-tau, la détection d'échantillons aberrants et la construction de réseaux de caractéristiques.
Le modèle linguistique ProteomeLM, entraîné sur des protéomes entiers, permet de prédire avec une grande précision et rapidité les interactions protéine-protéine et l'essentialité des gènes à travers diverses espèces, surpassant les méthodes traditionnelles basées sur les séquences.