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 formalise la méthodologie scientifique en un protocole exécutable pour les modèles de langage, démontrant que cette approche structurée améliore la rigueur, l'auditabilité et la validité des recherches menées par l'IA sur divers domaines, y compris la génomique des populations.
Le papier présente PopGenAgent, un système de livraison prêt à l'emploi qui combine une bibliothèque de chaînes d'outils de génomique des populations validée avec une assistance par modèle de langage pour automatiser les analyses, générer des rapports reproductibles et réduire la charge de script manuel tout en garantissant l'intégrité des artefacts.
Le workflow MiGenPro présente une approche interopérable basée sur les données liées et l'apprentissage automatique pour prédire avec succès des traits phénotypiques microbiens à partir de génomes annotés.
MetaTree est une plateforme web open-source et sans installation qui permet la visualisation interactive et la comparaison statistique de profils hiérarchiques, notamment en microbiologie, en assurant une correspondance univoque des nœuds entre les échantillons pour faciliter l'analyse comparative et la génération de figures prêtes à publier.
Le framework STCS est une solution open-source et agnostique de la plateforme qui reconstruit des profils d'expression génique au niveau cellulaire à partir de données de transcriptomique spatiale à haute résolution en intégrant la segmentation des noyaux et un modèle de distance combinant transcriptomique et spatialité, surpassant ainsi les méthodes existantes sans nécessiter d'annotations de référence.
Le papier présente snputils, une bibliothèque Python open-source haute performance qui unifie l'entrée-sortie, le traitement et l'analyse des données génétiques à l'échelle des biobanques pour surmonter les limitations d'incompatibilité et d'efficacité des outils existants et faciliter des flux de travail reproductibles en génétique des populations.
Cette étude évalue systématiquement sept outils de génotypage de répétitions en tandem sur des données de séquençage Nanopore, démontrant qu'aucune méthode n'est universellement supérieure et soulignant la nécessité d'une analyse au niveau de la séquence plutôt que de la simple longueur pour des applications cliniques et populationnelles fiables.
Le framework unifié scUnify permet une inférence zéro-shot évolutive et standardisée de modèles fondamentaux sur des données de séquençage de cellules uniques, en automatisant les prétraitements et en optimisant l'exécution multi-GPU pour faciliter la comparaison et l'évaluation des embeddings cellulaires.
Cette étude évalue le cadre STUNT pour la classification des maladies basée sur le microbiome en contexte de few-shot learning et conclut que, bien que ses représentations pré-entraînées offrent un léger avantage en cas de données extrêmement rares, elles finissent par limiter l'accès aux signaux spécifiques à la tâche dès que davantage d'échantillons sont disponibles, soulignant ainsi que la force du signal biologique intrinsèque reste le déterminant principal de la performance.
Le papier présente DartUniFrac, un algorithme accéléré par GPU qui permet une analyse méga-échelle du microbiome en calculant des similarités UniFrac jusqu'à mille fois plus rapidement que les méthodes actuelles tout en restant statistiquement équivalent aux implémentations exactes.