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.

💻 bio-informatique

GraphExperiment: infrastructure for high-dimensional quantitative data and associated networks in R/Bioconductor

L'article présente GraphExperiment, un package R de Bioconductor qui étend la classe SingleCellExperiment afin de fournir une structure de données S4 standardisée pour stocker et manipuler simultanément des données omiques quantitatives de haute dimension ainsi que les réseaux associés au niveau des caractéristiques et des observations.

Almeida-Silva, F.2026-11-02
💻 bio-informatique

SpaceBlocks: an expert-supervised workflow for cohort-level spatial transcriptomics analysis

SpaceBlocks est un flux de travail Snakemake reproductible et supervisé par des experts qui homogénéise les données de transcriptomique spatiale à résolution de cellule unique hétérogènes à travers plusieurs plateformes afin de permettre une analyse à l'échelle de la cohorte, comme le démontre sa capacité à identifier de nouveaux types cellulaires, des modèles d'expression de marqueurs et des différences transcriptionnelles associées à des maladies dans divers ensembles de données biologiques.

Oterino-Sogo, S., Mechkouri, N., Garcia-Ruano, D., Groppi, A., Rezvani, H.-R., Nikolski, M.2026-11-02
💻 bio-informatique

Interpreting graph neural networks reveals microbial association patterns in inflammatory bowel diseases

En interprétant des réseaux de neurones à graphes entraînés sur des réseaux d'associations microbiennes spécifiques à l'individu, cette étude révèle que les modèles de co-abondance coordonnés des espèces de Bacteroidales, plutôt que la simple abondance différentielle, sont des caractéristiques prédictives critiques de la maladie de l'intestin inflammatoire que les modèles d'apprentissage automatique traditionnels négligent souvent.

Cunha, A. F., Vidal, E., Barranco-Altirriba, M., Amigo, T., Assis, J. G., Nakaya, H. I., Santos, A.2026-11-01
💻 bio-informatique

Single-cell perturbation prediction near experimental reproducibility with GENESIS

L'article présente GENESIS, un cadre génératif basé sur l'énergie qui prédit les réponses aux perturbations à l'échelle de la cellule unique avec une précision proche de la reproductibilité expérimentale, permettant une stratégie complémentaire de mesures larges et de moindre profondeur augmentées par l'inférence computationnelle pour surmonter l'infaisabilité des atlas expérimentaux exhaustifs.

Conci, R., D'Ascenzo, D., Cultrera di Montesano, S., Raghavan, S., Winter, P. S., Van Allen, E. M., Crawford, L., Lotter (…)2026-11-01
💻 bio-informatique

Pycea: a scverse toolkit for single-cell lineage tracing analysis

Pycea est un kit d'outils Python open-source qui introduit le format TreeData pour intégrer de manière fluide les données d'arbres de lignage aux mesures de cellule unique au sein de l'écosystème scverse, permettant une analyse, une visualisation et une inférence statistique évolutives pour le traçage de la lignée cellulaire.

Colgan, W. N., Weine, E., Koblan, L. W., Jones, M. G., Weissman, J. S., Yosef, N.2026-11-01
💻 bio-informatique

Structure-resolved fold annotation of the medicinal-leech salivary-EV cargo: a Ly-6/uPAR three-finger scaffold and a structurally dark fraction

Cette étude emploie un pipeline de recherche et de prédiction de structure hors ligne pour annoter le cargaison non caractérisée des vésicules extracellulaires salivaires de la sangsue médicinale *Hirudinaria manillensis*, assignant avec succès un repliement de type trois doigts Ly-6/uPAR à un candidat tout en identifiant deux protéines structurellement non résolues et en validant un modèle de gène de type trypsine conservé.

Cen, H., Zhao, F., Zhao, J., Tong, X., Liu, Z., Zhao, F.2026-10-31
💻 bio-informatique

Serum nutritional-metabolic recovery during tuberculosis treatment across BMI-defined undernutrition strata: A longitudinal proteomic reanalysis

Cette réanalyse protéomique longitudinale de patients atteints de tuberculose révèle que, bien que le traitement induise une récupération globale des systèmes protéiques inflammatoires et nutritionnels-métaboliques chez les individus malnutris comme chez ceux de poids normal, la dénutrition définie par l'IMC de base n'altère pas de manière significative la trajectoire de cette récupération, bien que l'étude demeure sous-dimensionnée pour établir de manière définitive une équivalence entre les groupes.

Maghembe, R. S., Kullaya, V. I., Mutagonda, R. F., Null, M., Mbelele, P. M., Ngowi, K. M., Jacobs, J. M., Nahid, P., Joh (…)2026-10-30
💻 bio-informatique

CellMethMarker provides an integrated database of human cell- and tissue-type-specific DNA methylation markers

CellMethMarker est une base de données exhaustive et organisée qui intègre des centaines de milliers de marqueurs de méthylation de l'ADN, issus de la littérature ou de novo, afin de permettre l'inférence d'identité cellulaire et tissulaire, la visualisation et une déconvolution améliorée des méthylomes.

Sun, X., Peng, Y., Yi, Y., Fu, L., Liu, F., Xie, Y., Dai, Q., Gu, H., Shi, J., Wang, H., Zhang, F.2026-10-29
💻 bio-informatique

Neopep: Reinforcement Learning From Machine-Learned Force Field Energy for Non-Canonical Peptide Structure Prediction

Neopep est un modèle de diffusion conditionné par la séquence qui surmonte la rareté des données dans la prédiction de structures peptidiques non canoniques en exploitant l'apprentissage par renforcement pour affiner un modèle génératif à l'aide de l'énergie d'un champ de force appris par apprentissage automatique, atteignant ainsi une précision plus élevée que les méthodes de pointe existantes.

Jagannathan, D., Kim, P. M.2026-10-28