1076 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 in silico démontre que la Withaferine A présente un potentiel antiviral prometteur contre le virus Marburg en ciblant simultanément ses protéines VP35 et NP, grâce à des interactions de liaison stables et favorables validées par des simulations de dynamique moléculaire et des analyses d'ADMET.
Cette étude présente le premier benchmark comparatif de trois outils de détection de circARN à partir de données de séquençage long-read Oxford Nanopore, en s'appuyant sur un cadre de simulation flexible et open-source développé par les auteurs pour évaluer leurs performances et souligner la nécessité de combiner plusieurs approches pour une détection plus précise.
Cet article propose un cadre d'apprentissage conjoint basé sur la factorisation de tenseurs couplés et l'intégration d'informations auxiliaires pour prédire simultanément les combinaisons de médicaments efficaces et leurs interactions, démontrant une performance supérieure, notamment dans le contexte de la prédiction pour de nouveaux médicaments.
Le modèle t2pmhc, une architecture de réseau de neurones à base de graphes exploitant les structures 3D prédites des complexes TCR-pMHC, surpasse les méthodes séquentielles existantes en améliorant la généralisation aux peptides non vus et en identifiant des motifs d'attention biologiquement pertinents pour la conception de vaccins et d'immunothérapies.
Ce papier présente RigidSSL, un cadre d'apprentissage auto-supervisé géométrique qui intègre la rigidité et les dynamiques conformationnelles pour améliorer significativement la conception de protéines et la modélisation de leurs ensembles conformationnels.
Le papier présente ProtNHF, un modèle génératif basé sur des flots hamiltoniens neuronaux qui permet un contrôle continu et programmable des propriétés des séquences protéiques au moment de l'inférence via des fonctions de biais analytiques, sans nécessiter de réentraînement du modèle.
Le papier présente CellSweep, un outil efficace et performant conçu pour éliminer les contaminations ambiantes et globales dans les données de génomique à cellule unique, surpassant ainsi les méthodes existantes pour garantir des analyses plus fiables.
Cette étude propose une méthode d'analyse phylogénomique utilisant des tailles de fenêtres variables via une stratégie de division et de fusion pour mieux capturer la variation des taux de recombinaison, surpassant ainsi les approches à fenêtre fixe sur des données simulées et appliquées aux genomes de papillons Heliconius et de grands singes.
Cet article présente SLiMMine, une méthode basée sur l'apprentissage profond qui améliore la prédiction fiable des motifs linéaires courts (SLiMs) dans le protéome humain en réduisant considérablement les faux positifs et en facilitant la découverte de nouvelles interactions protéiques.
Ce papier présente le modèle LSD, un cadre thermodynamique inspiré qui utilise des équations différentielles ordinaires neuronales pour reconstruire les trajectoires de différenciation cellulaire dans un espace latent, permettant ainsi de prédire les destins cellulaires et de quantifier la plasticité avec une précision supérieure aux méthodes existantes.