398 articles
La génomique explore le code secret de la vie, décryptant comment nos gènes façonnent notre santé, nos origines et notre avenir. Ce domaine fascinant ne se limite pas à la biologie fondamentale ; il éclaire des enjeux quotidiens, de la médecine personnalisée à la compréhension des maladies complexes. Sur Gist.Science, nous croyons que ces découvertes cruciales doivent être comprises par tous, bien au-delà des cercles académiques.
Chaque jour, bioRxiv publie de nouvelles recherches pionnières dans ce secteur. Nous traitons systématiquement chaque prépublication fraîchement arrivée pour vous offrir une double perspective : un résumé technique approfondi pour les experts et une explication claire en langage courant pour le grand public. Cette approche unique vous permet de saisir l'essence de chaque avancée sans barrière linguistique.
Voici la sélection des toutes dernières études en génomique soumises à bioRxiv, accompagnées de nos résumés détaillés et simplifiés pour vous aider à naviguer dans ce paysage scientifique en évolution rapide.
Ce papier présente EVEE, un outil interactif qui exploite les représentations du modèle fondamental génomique Evo 2 pour prédire avec une précision état de l'art et interpréter les effets des variants génétiques, transformant ainsi l'interprétabilité en un produit complémentaire de la structure biologique apprise plutôt qu'en un compromis.
Cette étude résume l'utilisation de la génomique et de modèles phylodynamiques pour suivre et éradiquer l'épidémie de *Mycoplasma bovis* ST21 en Nouvelle-Zélande de 2017 à 2023, démontrant l'efficacité des restrictions de mouvement et du dépistage avec abattage tout en mettant en lumière les défis posés par les infections persistantes dans les élevages.
Cette étude établit des ressources génomiques et transcriptomiques de haute qualité pour l'ascidie invasive *Ascidiella aspersa* et réalise une analyse comparative à grande échelle de 35 autres espèces de tuniciers, révélant des caractéristiques évolutives au niveau de la classe et donnant naissance à la base de données comparative TUNOME.
Ce papier présente Deep-Plant, un modèle fondé sur l'apprentissage supervisé qui prédit l'état de la chromatine à partir de la séquence génomique pour combler le manque d'outils en génomique réglementaire des plantes et surpasser les approches basées sur les modèles de langage auto-supervisés.
Cette étude révèle qu'une insertion d'élément transposable dans un deuxième gène thyroglobuline-like, HaVipR2, est responsable de la résistance au toxine Vip3Aa chez le ver du coton *Helicoverpa armigera*, soulignant l'importance des séquençages à longue lecture pour détecter de tels mécanismes d'évasion.
Cette étude analyse le fardeau de mutations délétères chez les guépards sauvages et ex situ, révélant une sur-représentation de ces mutations dans les gènes liés à la spermatogenèse, tout en confirmant l'efficacité des programmes d'élevage en captivité pour maintenir la diversité génétique.
En utilisant le séquençage duplex de cellules rénales saines provenant de 10 pays, cette étude révèle que les génomes des tubules proximaux du rein enregistrent une vaste gamme d'expositions systémiques à des mutagènes exogènes, notamment des acides aristolochiques et des agents inconnus, offrant ainsi un indicateur sensible des risques environnementaux pour la population.
Cette étude démontre que, bien que les approches basées sur des graphes de pan-génomes et linéaires présentent des taux d'erreurs mendéliennes similaires, les pan-génomes offrent une reconstruction supérieure des blocs d'haplotypes chez les hybrides de citrus, révélant ainsi leurs avantages pour le repérage des régions divergentes et l'amélioration de la précision du génotypage dans les systèmes non modèles.
Cette étude démontre que l'activité transcriptionnelle et la conservation évolutive sont les indicateurs les plus fiables pour distinguer les séquences génomiques fonctionnelles, codantes ou non, du bruit biologique et expérimental.
En combinant un atlas chromatinique à cellule unique de 3,9 millions de noyaux de souris, des modèles d'apprentissage profond et des données comparative sur 241 génomes de mammifères, cette étude présente STEAM, un cadre d'apprentissage par transfert évolutif permettant d'inférer avec précision les paysages d'enhancers à l'échelle de l'organisme pour des milliers de types cellulaires chez l'humain et d'autres mammifères.