💻 Category

bioinformatics

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.

Relationship Between Gene Expression and Drug Response in Triple-Negative Breast Cancer: Leveraging Single-Cell RNA Sequencing and Machine Learning to Identify Biomarker Profiles

Cette étude démontre que l'intégration du séquençage de l'ARN monocellulaire et de l'apprentissage automatique interprétable permet d'identifier des profils de biomarqueurs, notamment dans les échantillons sanguins, pour prédire la réponse thérapeutique et orienter les stratégies personnalisées dans le cancer du sein triple négatif.

Mohammadi, K., Afhami, N., Saniotis, A., Henneberg, M., Bagheri, M., Kavousi, K.2026-03-08💻 bioinformatics

PROTOTYPE-BASED CONTINUAL LEARNING FOR SINGLE-CELL ANNOTATION

Le cadre d'apprentissage continu scEvolver améliore l'annotation des cellules uniques en affinant les représentations de types cellulaires via des prototypes guidés par la mémoire, permettant ainsi d'accumuler des connaissances sans réviser les données historiques tout en surmontant l'oubli catastrophique et les biais spécifiques aux lots.

Ge, S., He, Q., Ren, Y., Xu, Y., Wang, M., Nie, Z., Xu, H., Cheng, Q., Sun, S., Ren, Z.2026-03-08💻 bioinformatics

Genomic language models improve cross-species gene expression prediction and accurately capture regulatory variant effects in Brachypodium mutant lines

Les auteurs ont développé des modèles d'apprentissage profond exploitant les embeddings contextuels du modèle de langage génomique PlantCaduceus et des données d'accessibilité chromatinienne pour surpasser les modèles existants dans la prédiction de l'expression génique chez 17 espèces végétales et l'effet précis des variants régulateurs chez *Brachypodium*.

Vahedi Torghabeh, B., Moslemi, C., Dybdal Jensen, J., Hentrup, S., Li, T., Yu, X., Wang, H., Asp, T., Ramstein, G. P.2026-03-07💻 bioinformatics

Re-analysis of Transcriptomic and Proteomic Data Using Multi-Omics Approaches Identifies Biomarkers of Diabetes-Associated Complications in an INS Mutant Pig Model

Cette étude réanalyse des données transcriptomiques et protéomiques d'un modèle porcin de diabète MIDY via une approche multi-omiques pour identifier ADAMTS17 comme un nouveau biomarqueur associé à la dysfonction immunitaire et au retard de cicatrisation.

Kota, K. P., Abbasi, B. A., Kajla, P., Tripathi, S., Bailey, A., Varma, B.2026-03-07💻 bioinformatics

Inverse Protocol Prediction from Spheroid Microscopy Imaging via Morphology-Aware Structured Learning

Cet article présente l'Inverse Protocol Prediction (IPP), un cadre d'apprentissage structuré qui infère avec précision les conditions expérimentales de culture de sphéroïdes à partir d'images microscopiques uniques en fusionnant des descripteurs morphométriques et des représentations visuelles profondes au sein d'un Transformer hiérarchique.

Mittal, P., Srivastava, A., Chauhan, J.2026-03-07💻 bioinformatics

SR2P: an efficient stacking method to predict protein abundance from gene expression in spatial transcriptomics data

L'article présente SR2P, une méthode d'apprentissage automatique par empilement qui prédit efficacement l'abondance des protéines à partir de l'expression génique dans les données de transcriptomique spatiale, comblant ainsi le manque de données multi-omiques spatiales pour l'étude de l'immunologie tumorale.

Wang, Q., Gao, A., Li, Y., Khatri, P., Hu, R., Huang, J., Pawitan, Y., Vu, T. N., Dinh, H. Q.2026-03-07💻 bioinformatics