1235 articoli
La bioinformatica è l'incontro vitale tra biologia e informatica, un campo che trasforma i dati biologici complessi in conoscenza comprensibile. Qui esploriamo come algoritmi e software aiutino gli scienziati a decifrare il codice della vita, dall'analisi del DNA alla scoperta di nuovi farmaci, rendendo accessibili scoperte che altrimenti rimarrebbero confinate in database tecnici.
Su Gist.Science, monitoriamo ogni nuovo preprint inviato da bioRxiv in questa categoria. Per ogni articolo, offriamo una doppia prospettiva: una spiegazione semplice per chiunque sia curioso e un riassunto tecnico dettagliato per i ricercatori. Questo approccio garantisce che le ultime novità scientifiche siano chiare, accurate e immediatamente disponibili.
Di seguito trovate i documenti più recenti pubblicati da bioRxiv nel settore della bioinformatica, pronti per essere esplorati nelle vostre forme più accessibili.
L'integrazione di dati clinici e trascrittomici ha identificato *LRRN4CL* come un nuovo biomarcatore associato a un ridotto recupero miocardico dopo l'impianto di un dispositivo di assistenza ventricolare (LVAD), collegando la scoperta computazionale a una specifica disfunzione dei cardiomiociti.
Questo studio analizza la relazione tra microbiota intestinale e malattie utilizzando tecniche di machine learning, dimostrando che i metodi ensemble come XGBoost offrono la massima precisione nel classificare campioni occidentali e non occidentali, sia cancerosi che sani.
Questo studio valuta l'efficacia del modello di fondazione retinica umano RETFound per la stima dell'età dei ratti tramite OCT, dimostrando che, sebbene il trasferimento tra specie sia scientificamente utile, i modelli CNN pre-addestrati (come Xception) offrono prestazioni superiori in contesti di scarsità di dati tipici della biologia spaziale.
AlphaUnfold è una pipeline automatizzata che utilizza simulazioni di dinamica molecolare ad alta pressione per testare la robustezza strutturale dei modelli di AlphaFold3, dimostrando che i punteggi di confidenza più bassi (pLDDT) correlano con una maggiore fragilità e instabilità della struttura.
Il documento sostiene la necessità di nuovi benchmark che misurino direttamente il valore delle previsioni dei modelli di intelligenza artificiale per la scoperta scientifica, introducendo PerturbHD come framework di valutazione per dimostrare l'efficacia di questo approccio.
Il paper presenta COSMOS+, un approccio che integra l'analisi fattoriale multi-omica con conoscenze meccanicistiche prioritarie per modellare la propagazione causale dei segnali e generare ipotesi meccanicistiche interpretabili sui driver delle malattie, come dimostrato nello studio della resistenza al cancro al seno.
Questo studio dimostra che un'architettura di deep learning basata su trasformatori lineari può identificare le pressioni selettive sui siti proteici con un costo computazionale drasticamente inferiore rispetto ai metodi basati sulla verosimiglianza, pur richiedendo dati di addestramento rappresentativi per garantire prestazioni ottimali su dati empirici.
Gli autori presentano un algoritmo *de novo* che ricostruisce in modo accurato e non guidato le sequenze alleliche da letture ampliconiche a lunga lettura di Oxford Nanopore, permettendo l'identificazione di diplotipi complessi e varianti nuove, come dimostrato con successo sul gene CYP2D6 e su regioni HLA.
Il paper presenta H2O, un modello di intelligenza artificiale generale che colma il divario tra istopatologia e omica spaziale, permettendo di inferire direttamente profili di trascrittomica e proteomica spaziale a partire dalle routine immagini istologiche H&E con elevata accuratezza e generalizzabilità.
Il paper presenta Verticall, un nuovo strumento open source scalabile e non parametrico progettato per rilevare efficientemente le regioni ricombinanti e generare filogenesi prive di ricombinazione in grandi dataset genomici batterici, superando i limiti computazionali degli strumenti esistenti come Gubbins e ClonalFrameML.