q-bio.GN articles | Gist.Science

A Multi-Label Temporal Convolutional Framework for Transcription Factor Binding Characterization

Cet article propose un cadre d'apprentissage profond basé sur des réseaux de convolution temporelle pour traiter la reconnaissance des sites de liaison des facteurs de transcription comme un problème de classification multi-étiquettes, permettant ainsi de prédire simultanément plusieurs profils de liaison, de capturer leurs corrélations et de révéler des motifs biologiques ainsi que des mécanismes coopératifs, y compris de nouvelles relations entre facteurs de transcription.

Pietro Demurtas, Ferdinando Zanchetta, Giovanni Perini, Rita FioresiFri, 13 Ma🧬 q-bio

Partial domain adaptation enables cross domain cell type annotation between scRNA-seq and snRNA-seq

Le papier présente ScNucAdapt, une méthode d'adaptation de domaine partielle permettant une annotation robuste et précise des types cellulaires en croisant des données scRNA-seq et snRNA-seq, surpassant ainsi les approches existantes.

Xiran Chen, Quan Zou, Qinyu Cai + 3 more2026-03-10🧬 q-bio

DeeDeeExperiment: Building an infrastructure for integrating and managing omics data analysis results in R/Bioconductor

Cet article présente DeeDeeExperiment, une nouvelle classe S4 intégrée à l'écosystème Bioconductor qui étend l'objet SingleCellExperiment pour offrir une structure standardisée permettant de gérer, stocker et contextualiser de manière reproductible les résultats d'analyses d'expression différentielle et d'enrichissement fonctionnel au sein d'un seul objet de données.

Najla Abassi, Lea Schwarz, Edoardo Filippi + 1 more2026-03-10🧬 q-bio

Benchmarking 80 binary phenotypes from the openSNP dataset using deep learning algorithms and polygenic risk score tools

Cette étude compare les performances de 29 algorithmes d'apprentissage automatique, de 80 modèles d'apprentissage profond et de 3 outils de scores de risque polygénique sur 80 phénotypes binaires du jeu de données openSNP, révélant que l'apprentissage automatique surpasse les méthodes traditionnelles pour 44 phénotypes tandis que les scores de risque polygénique sont supérieurs pour 36 autres.

Muhammad Muneeb, David B. Ascher, YooChan Myung + 2 more2026-03-10🧬 q-bio

Identifying genes associated with phenotypes using machine and deep learning

Cette étude propose un pipeline combinant apprentissage automatique et profond pour classifier les individus et identifier des gènes associés à des phénotypes via l'analyse d'importance des caractéristiques, démontrant que les variants sélectionnés par ces modèles permettent de retrouver avec succès les gènes connus et d'orienter la recherche de cibles thérapeutiques.

Muhammad Muneeb, David B. Ascher, YooChan Myung2026-03-10🧬 q-bio

SeekRBP: Leveraging Sequence-Structure Integration with Reinforcement Learning for Receptor-Binding Protein Identification

Le papier présente SeekRBP, un cadre intégrant séquence et structure qui utilise l'apprentissage par renforcement pour optimiser l'échantillonnage des négatifs et améliorer la précision de l'identification des protéines de liaison aux récepteurs (RBPs) chez les phages.

Xiling Luo, Le Ou-Yang, Yang Shen + 6 more2026-03-06🧬 q-bio

In vitro binding energies capture Klf4 occupancy across the human genome

Cette étude démontre qu'un modèle statistique-mécanique, paramétré à partir de mesures de liaison in vitro du facteur de transcription Klf4, permet de prédire avec précision son occupation sur l'ensemble du génome humain sans ajustement supplémentaire.

Anne Schwager, Jonas Neipel, Yahor Savich + 4 more2026-03-05🔬 physics

Causal Circuit Tracing Reveals Distinct Computational Architectures in Single-Cell Foundation Models: Inhibitory Dominance, Biological Coherence, and Cross-Model Convergence

Cette étude introduit le traçage de circuits causaux pour révéler que les modèles de fondation biologiques, tels que Geneformer et scGPT, partagent des architectures computationnelles distinctes caractérisées par une dominance inhibitrice et une cohérence biologique, tout en identifiant des paires de domaines conservés validés par des expériences CRISPRi.

Ihor Kendiukhov2026-03-05🤖 cs.LG

Learning functional groups in complex microbiomes

Cette étude présente une approche fondée sur l'apprentissage automatique interprétable qui réduit la complexité des microbiomes à quelques groupes fonctionnels clés, permettant d'établir des cartes simples reliant la structure microbienne aux fonctions écologiques et à la santé.

Matthew S Schmitt, Kiseok Lee, Freddy Bunbury + 3 more2026-03-05🔬 physics

← Précédent