La biologie synthétique représente une révolution où la science ne se contente plus d'observer le vivant, mais le conçoit et le réassemble comme un véritable ingénieur. En combinant biologie, génie et informatique, ce domaine permet de créer de nouveaux systèmes biologiques ou de modifier des organismes existants pour résoudre des défis complexes, allant de la production de médicaments à la restauration de l'environnement. C'est une discipline en pleine effervescence qui redéfinit les frontières du possible dans le monde du vivant.

Sur Gist.Science, nous suivons chaque nouveau prépublication de bioRxiv dans cette catégorie pour vous offrir un accès immédiat aux recherches les plus récentes. Notre équipe transforme ces manuscrits techniques en résumés détaillés et en explications claires, garantissant que les avancées les plus pointues restent compréhensibles sans sacrifier la rigueur scientifique.

Découvrez ci-dessous les dernières études soumises à bioRxiv, accompagnées de nos analyses pour vous aider à naviguer dans les innovations de demain.

📄 biologie synthétique

The Cepeda Framework: A Modular, Safety-First Preclinical Architecture for Testing Coordinated Multi-Hallmark Rejuvenation Hypotheses in Biological Aging

Ce manuscrit présente le Cadre Cepeda, une architecture préclinique modulaire et axée sur la sécurité, validée par 21 000 cycles de simulation, conçue pour tester l'hypothèse d'une rajeunissement partiel coordonné ciblant les 12 marqueurs officiels du vieillissement tout en minimisant les risques de reprogrammation incontrôlée grâce à un système de neuf mécanismes de protection.

Cepeda, C. J.2026-03-19
📄 biologie synthétique

A genetically encoded local learning rule enables physical learning in engineered bacteria

Cette étude démontre qu'il est possible d'implémenter une règle d'apprentissage local génétiquement encodée dans des bactéries *Escherichia coli* modifiées, permettant l'entraînement physique de réseaux de neurones biologiques pour des applications de calcul adaptatif et de thérapies cellulaires.

Prakash, S., Varela, C., Walsh, M., Galizi, R., Isalan, M., Jaramillo, A.2026-03-19
📄 biologie synthétique

Selection-free whole genome transplantation revives dead microbes

Cette étude présente la création d'une cellule bactérienne synthétique vivante en transplantant un génome complet dans une cellule morte, une avancée qui élimine le besoin de sélection par résistance aux antibiotiques et permet de réactiver des cellules dont le génome a été inactivé chimiquement.

Seidel, Z. P., Assad-Garcia, N., Paralanov, V., Wu, F., Chao, O., Strychalski, E. A., Romantseva, E. F., Goshia, T., Ven (…)2026-03-14
📄 biologie synthétique

Generative AI-based design of hybrid transcriptional activator proteins with new DNA-binding specificity

Cette étude démontre qu'un autoencodeur variationnel entraîné sur des domaines de liaison à l'ADN de la famille LuxR permet de concevoir des facteurs de transcription hybrides capables de reconnaître et d'activer simultanément les promoteurs lux et las, élargissant ainsi l'espace de conception des circuits génétiques synthétiques.

Okuda, S. L., Minami, A., Aiko, M., Uetsuka, K., Miyazaki, K., Ohtake, K., Kiga, D.2026-03-13
📄 biologie synthétique

Fung-AI: An AI/ML-driven pipeline for antifungal peptide discovery

Cette étude présente Fung-AI, un pipeline d'intelligence artificielle générative qui a permis de concevoir et de valider expérimentalement de nouveaux peptides antifongiques actifs contre *Fusarium graminearum* et *Candida albicans* avec une faible cytotoxicité, démontrant ainsi la faisabilité d'une approche de découverte rapide de médicaments de novo.

Berman, D. S., Lewis, L. M., Curtis, T. D., Tiburzi, O. N., Smith, D. F., Casadevall, A., Dunphy, L.2026-03-10
📄 biologie synthétique

Fundamental limitations of genomic language models for realistic sequence generation

Cette étude révèle que les modèles de langage génomique actuels, bien qu'ils capturent les statistiques locales, échouent systématiquement à reproduire l'organisation à long terme et les contraintes évolutives des génomes naturels, limitant ainsi leur capacité à générer des séquences biologiques réalistes.

Tzanakakis, A., Mouratidis, I., Georgakopoulos-Soares, I.2026-03-02
📄 biologie synthétique

High Diversity Gene Libraries Facilitate Machine Learning Guided Exploration of Fluorescent Protein Sequence Space

Cette étude démontre que l'élargissement expérimental de la diversité des bibliothèques de gènes permet de transformer l'extrapolation en interpolation pour les modèles de langage protéique, facilitant ainsi la découverte de nouvelles protéines fluorescentes fonctionnelles au-delà des séquences naturelles connues.

Benabbas, A., Kearns, P., Billo, A., Chisholm, L. O., Plesa, C.2026-03-02
📄 biologie synthétique

Evaluating AI-Assisted Customer Verification for Synthetic Nucleic Acid Screening

Cette étude démontre que l'utilisation de modèles d'IA, tels que Gemini 2.5 Pro, pour le screening de légitimité des commandes d'acides nucléiques synthétiques permet d'atteindre une précision comparable à celle des experts humains tout en réduisant considérablement les coûts, validant ainsi leur adoption pour la vérification préliminaire des commandes.

Acelas, A., Palya, H., Flyangolts, K., Fady, P.-E., Nelson, C.2026-03-01