La biophysique explore la vie à l'échelle moléculaire en appliquant les lois de la physique pour comprendre comment fonctionnent les cellules, les protéines et l'ADN. Ce domaine fascinant révèle les mécanismes secrets qui régissent nos organismes, du battement d'un cœur au fonctionnement de notre cerveau, en passant par la façon dont les médicaments interagissent avec nos cellules.

Sur Gist.Science, nous sélectionnons rigoureusement chaque nouvelle prépublication de bioRxiv dans cette catégorie pour vous offrir un accès immédiat aux découvertes de pointe. Notre équipe transforme ces travaux complexes en résumés clairs en langage courant, tout en conservant des analyses techniques détaillées pour les chercheurs.

Découvrez ci-dessous les toutes dernières études en biophysique, prêtes à être explorées et comprises par tous.

Self-consistent automatic retrieval of single cell rotation enables highly reliable holo-tomographic flow cytometry

Les auteurs proposent une nouvelle méthode auto-cohérente et entièrement automatisée pour déterminer avec une grande précision les rotations de cellules uniques, permettant ainsi d'améliorer considérablement la fiabilité et l'évolutivité de la cytométrie en flux tomographique holographique.

Pirone, D., Miccio, L., Bianco, V., Ferraro, P., Memmolo, P.2026-02-26⚛️ biophysics

Decoding the Allosteric Paradox: A Dual Framework Integrating AI Cofolding Models with Landscape-Guided Interpretable AI Framework of Ligand-Protein Binding

Cette étude propose un cadre explicatif dual qui révèle que l'échec universel des modèles d'IA à prédire la liaison allostérique découle de paysages énergétiques neutres et d'une hétérogénéité conformationnelle inhérents, transformant ainsi ces limites prédictives en indicateurs mécanistiques pour le développement d'outils futurs conscients du paysage énergétique.

Parikh, V., Foley, B., Gatlin, W., Ludwick, M., Turano, L., Verkhivker, G.2026-02-26⚛️ biophysics

Exploring Conformational Transitions of RNA Dimers via Machine Learning Potentials

Cette étude démontre que des potentiels d'apprentissage automatique basés sur des données quantiques et l'architecture MACE permettent de modéliser avec précision les transitions conformationnelles complexes du dimère ApA, surpassant ainsi les limites des champs de force classiques et des modèles généraux pour l'analyse structurale de l'ARN.

Medrano Sandonas, L., Tolmos Nehme, M., Cofas-Vargas, L. F., Olivos-Ramirez, G. E., Cuniberti, G., Poblete, S., Poma, A. B.2026-02-26⚛️ biophysics

The influence of cell morphology on the dynamics and stability of model bacterial communities

Cette étude démontre, par des simulations et une modélisation mathématique, que la morphologie cellulaire influence de manière critique la dynamique et la stabilité des communautés bactériennes en compétition dans des microcanaux, les cellules coccoïdes ayant un avantage compétitif pour la fixation tandis que les bacilles tendent à former des populations coexistantes stables.

Lim, I. X., Halabeya, F., Milstein, J.2026-02-26⚛️ biophysics

Rational design of disordered proteins for systematic sequence-to-function investigation

Cette étude présente GOOSE, un cadre computationnel permettant la conception rationnelle de protéines intrinsèquement désordonnées pour explorer systématiquement les relations séquence-fonction et créer des séquences capables de répondre à des changements cellulaires, de s'auto-assembler ou de protéger contre la dessiccation.

Hunter, K., Brandt, T., Guadalupe, K., Kolamunna, K. C., Lotthammer, J. M., Shamoon, N. M., Nicholson, B., Day, L., Martinez, A., Holehouse, A. S., Sukenik, S., Emenecker, R. J.2026-02-25⚛️ biophysics

A Cryptic Binding Pocket Regulates the Metal-Dependent Activity of Cas9

Cette étude révèle qu'une poche de liaison métallique cryptique à l'interface des domaines HNH-RuvC régule l'activation catalytique de Cas9 en réponse à des ions divalents spécifiques, offrant ainsi des perspectives cruciales pour optimiser l'édition génomique dans divers contextes cellulaires.

Ahsan, M., Saha, A., Ramos, D., Strohkendl, I., Knight, A. L., Skeens, E., Lisi, G. P., Taylor, D. W., Palermo, G.2026-02-25⚛️ biophysics