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.
L'étude présente Neurotox, un cadre d'apprentissage profond qui démontre que les caractéristiques de neurotoxicité sont encodées dans la séquence protéique et façonnent l'organisation structurelle nécessaire à l'interaction avec les récepteurs, indépendamment de résidus de contact isolés.
En affinant l'outil PolarBearal pour intégrer trois critères structuraux, cette étude a permis d'annoter avec une précision de 97 % le nombre de brins de plus de 571 000 protéines à baril bêta prédites par AlphaFold2, offrant ainsi une ressource majeure pour l'analyse structurelle et fonctionnelle des membranes bactériennes.
PhosSight est un cadre d'apprentissage profond unifié qui améliore l'identification et accélère l'analyse des phosphoprotéomes en modes DDA et DIA, permettant ainsi la découverte de nouvelles cibles thérapeutiques en oncologie de précision.
Cette étude démontre que l'intégration de l'information de distance génomique et de la recherche augmentée par récupération (RAG) dans des modèles de langage comme Qwen2.5 améliore la précision de l'identification des gènes causaux, bien que leur combinaison entraîne des rendements décroissants dus à des interactions spécifiques.
Cet article présente NIRD, une méthode d'inférence de réseaux basée sur la factorisation matricielle et la régression non linéaire par ensembles d'arbres, capable de capturer efficacement les dépendances non linéaires entre les gènes à partir de profils d'expression génique épars et bruyants issus du séquençage à l'échelle de la cellule unique.
Cette étude démontre que les scores de qualité par base, traditionnellement considérés comme des métadonnées techniques, peuvent servir de marqueur biologique peu coûteux et sans alignement pour détecter le cancer en analysant les signatures fragmentomiques de l'ADN circulant.
Le framework d'apprentissage par contraste FAMUS améliore l'annotation fonctionnelle des protéines à grande échelle en utilisant l'ensemble des scores de similarité avec des bases de profils HMM plutôt que le seul meilleur résultat, surpassant ainsi des outils existants comme KofamScan et InterProScan.
Cette étude présente SCL2205, un jeu de données de haute qualité et sans fuite d'information pour la prédiction de la localisation subcellulaire des protéines, qui améliore significativement les performances des modèles d'apprentissage profond tout en exposant les biais de fuite de données dans les méthodes actuelles.
Cette étude démontre que la performance des modèles de langage protéique dans la prédiction des effets mutationnels est principalement déterminée par les caractéristiques intrinsèques des jeux de données, notamment la variabilité des sites, plutôt que par l'architecture du modèle, révélant ainsi que ces modèles surpassent rarement un prédicteur naïf basé sur la fitness moyenne des sites.
Cette étude démontre que la phosphorylation d'un épitope dérivé d'ASXL2 améliore l'affinité de liaison et modifie la dynamique conformationnelle du complexe peptide-HLA, offrant ainsi une base structurale pour cibler ces néo-antigènes dans l'immunothérapie du cancer.