1235 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 SMILE, un modèle de pont de Schrödinger qui surpasse les GANs en convertissant de manière précise et fiable les images H&E en images d'immunomarquage multiplex pour l'analyse de la progression du diabète de type 1 et d'autres applications en pathologie numérique.
Ce papier présente Hybrid Gated Fusion, un cadre d'apprentissage profond multimodal innovant qui intègre des caractéristiques intrinsèques et extrinsèques des protéines via un mécanisme de porte bilinéaire pour surmonter les problèmes de données manquantes et de redondance, atteignant ainsi des performances de pointe dans l'annotation fonctionnelle des protéines sur le benchmark CAFA3.
Le papier présente GANGE, un système génératif de deep learning qui permet de reconstruire et d'étendre des séquences génomiques à partir de lectures ONT bruyantes avec une faible couverture, réduisant ainsi considérablement les coûts de séquençage et rendant la recherche génomique plus accessible.
Cette étude évalue dix outils de détection de modifications d'ARN sur l'ARN ribosomique d'Escherichia coli via le séquençage direct d'ARN Oxford Nanopore, démontrant que la combinaison d'approches basées sur les erreurs et de corrections de décalage de signal améliore considérablement la précision, tout en soulignant que les métriques de discrimination seules sont insuffisantes pour évaluer ces outils.
Cette étude démontre que l'utilisation de techniques d'apprentissage automatique pour imputer les données manquantes sur l'abondance des moustiques améliore significativement la précision des modèles prédictifs de l'incidence du paludisme à *Plasmodium vivax* dans l'État de Bolivar, au Venezuela, bien que cette approche se soit révélée inefficace pour *Plasmodium falciparum*.
Cette étude démontre que l'intégration explicite de la glycosylation comme filtre dans les pipelines de conception de protéines *de novo*, via les outils ReGlyco et GlycoShape, améliore significativement l'efficacité et réduit les coûts expérimentaux en éliminant précocement les candidats non fonctionnels, comme illustré par la conception de liaisons contre le virus Nipah et l'érythropoïétine humaine.
Cette étude démontre que l'analyse de la redistribution des voies de signalisation via des scores de contribution régulatrice révèle un socle de signalisation conservé entre les contextes cellulaires, tout en identifiant des modules fonctionnels spécifiques au contexte pour les protéines de liaison à l'ARN.
Cette étude propose un modèle d'apprentissage profond combinant la représentation FCGR et ResNet-18 pour prédire la résistance aux antibiotiques chez *Salmonella enterica* et *Staphylococcus aureus*, démontrant une performance compétitive pour certaines classes d'antibiotiques comme les céphalosporines, bien que le modèle reste inférieur à l'outil basé sur les gènes ResFinder pour la plupart des cas.
Cette étude présente une approche explicable basée sur un graphe de connaissances et des réseaux de neurones graphiques (GNN-GBA) pour élucider les mécanismes complexes reliant le microbiome intestinal aux troubles cérébraux, en identifiant des voies métaboliques clés et en offrant un outil interactif pour explorer ces interactions.
Le package R evo3D introduit un nouveau cadre d'analyse évolutive moléculaire intégrant la structure 3D des protéines via des haplotypes spatiaux, permettant d'identifier des motifs évolutifs complexes et des négligés par les approches linéaires traditionnelles.