1018 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.
Questo articolo presenta scDblFinderPy, un'implementazione in Python dello strumento di rilevamento dei doppietti scDblFinder basato su R che ne replica le alte prestazioni aggiungendo il supporto opzionale alla GPU per accelerare l'elaborazione di dati di sequenziamento single-cell su larga scala.
SPARKLE è un metodo computazionale veloce e senza riferimento che corregge la perdita locale di RNA nella trascrittomica spaziale ad alta risoluzione sfruttando le evidenze all'interno del campione al di fuori della maschera per stimare e rimuovere i segnali ectopici, migliorando così la localizzazione dei tipi cellulari e l'affidabilità delle analisi a valle.
Questo studio introduce un nuovo ensemble di reti convoluzionali grafiche relazionali (RGCN) a fusione tardiva che integra i dati dell'RNA endogeno competitivo (ceRNA) e della variazione del numero di copie (CNV) per identificare cinque biomarcatori prognostici, inclusi hsa-miR-196a e hsa-miR-224, per un miglioramento della previsione della sopravvivenza e del targeting terapeutico nel glioblastoma.
GlycoMeSH è una risorsa completa che colma il divario tra le strutture dei glicani e il contesto biomedico collegandoli ai Medical Subject Headings (MeSH) attraverso un modello di inferenza e un database tracciabile, consentendo così l'analisi sistematica di arricchimento attraverso i dataset della glicoscienza.
PandaDock è una piattaforma di docking molecolare open-source che integra la ricerca conformazionale di ligandi flessibili con gradienti analitici, moduli specializzati per scenari di legame complessi e una funzione di punteggio basata su una rete neurale equivariante SE(3) scalabile per ottenere prestazioni competitive nel recupero delle pose e nella previsione dell'affinità attraverso diversi target proteina-ligando.
Il documento presenta Mantpy, un framework di proteomica spaziale che rappresenta la matrice extracellulare e la sua interfaccia con le cellule come grafi spaziali per consentire l'analisi congiunta, la visualizzazione e l'apprendimento automatico oltre i tradizionali approcci centrati sulle cellule.
PerturbLDM è un framework di diffusione latente condizionale preaddestrato sul dataset Tahoe-100M che supera i metodi esistenti nell'accuratezza della previsione e generazione delle risposte trascrizionali a singola cellula per combinazioni inedite di farmaco, dose e linea cellulare attraverso diversi contesti biologici.
Questo articolo dimostra che l'applicazione della previsione conforme all'orologio epigenetico BayesAge consente la generazione di intervalli di previsione calibrati e privi di distribuzione per la stima dell'età basata sulla metilazione del DNA utilizzando un set minimo di siti CpG, affrontando così la mancanza di quantificazione dell'incertezza nei modelli esistenti a stima puntuale.
Questo articolo dimostra che il rilevamento di siti di legame criptici è attualmente limitato non dalla capacità di proporre candidati, ma da un cattivo ranking e dalla mancanza di consenso, rivelando che separare le metriche di copertura da quelle di conversione svela significativi gap di prestazione e mostra che combinare rilevatori basati su geometria e modelli linguistici all'interno di un budget rigoroso di candidati produce i miglioramenti più pratici.
Gli autori introducono ProtInt, un framework di deep learning che integra con successo i dati proteomici delle linee cellulari tumorali e dei tumori dei pazienti superando le sfide legate ai valori mancanti, superando così i metodi esistenti e rivelando i cambiamenti biologici chiave necessari per allineare meglio i modelli preclinici alla realtà clinica.