1260 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.
Gli autori hanno sviluppato un approccio ibrido di machine learning che ha permesso di identificare e validare sperimentalmente due nuovi composti, berberrubine e PE859, in grado di inibire l'aggregazione della proteina TDP-43 e di alleviare i difetti motori in modelli biologici di malattie neurodegenerative.
Il paper presenta CodonRL, un framework di apprendimento per rinforzo che ottimizza le sequenze di codoni sinonimi per migliorare l'efficienza di traduzione e la stabilità dell'RNA, superando i metodi esistenti grazie a un approccio guidato da dimostrazioni e ricompense intermedie che permette un bilanciamento flessibile tra obiettivi multipli.
Gli autori hanno sviluppato TOXsiRNA, un server web che utilizza modelli di apprendimento automatico, in particolare Support Vector Machine, per prevedere in modo computazionale la tossicità e gli effetti off-target degli siRNA modificati chimicamente, offrendo uno strumento gratuito per la ricerca scientifica.
Questo studio presenta un modello computazionale basato su cinque caratteristiche, addestrato su dati evolutivi e strutturali, che predice con alta accuratezza la resistenza di *Mycobacterium tuberculosis* al bedaquiline associata alle varianti di Rv0678, offrendo uno strumento promettente per migliorare la gestione clinica della tubercolosi resistente alla rifampicina.
Il documento presenta miRarchitect, una piattaforma web basata sul machine learning che ottimizza la progettazione di microRNA artificiali per il silenziamento genico mirato, garantendo un'elevata specificità e un'efficacia superiore rispetto agli strumenti esistenti, come dimostrato dalla validazione sperimentale.
Il paper presenta Theseus, un nuovo algoritmo ottimale e ad alta velocità per l'allineamento affine di sequenze a grafi che, sfruttando proprietà di transizione diagonale e strategie di dati sparsi, supera i metodi esistenti in termini di velocità e scalabilità mantenendo la garanzia di ottimalità.
Il paper introduce evoCancerGPT, un modello fondazionale transformer generativo che, sfruttando l'apprendimento per trasferimento su dati di RNA sequenziamento a singola cellula, è in grado di prevedere con alta precisione l'evoluzione futura dell'espressione genica nei tumori a livello di singolo paziente, superando le prestazioni dei metodi esistenti.
Il paper introduce ChatDIA, un flusso di lavoro basato su modelli linguistici di grandi dimensioni (LLM) a zero-shot che automatizza l'analisi mirata dei dati di acquisizione indipendente dai dati (DIA) nella proteomica, offrendo prestazioni competitive rispetto ai software specializzati e fornendo razionali interpretabili per l'interazione conversazionale con dati complessi e rumorosi.
Il paper presenta LineageSim, un nuovo simulatore generativo che supera i limiti degli strumenti esistenti incorporando un'espressione genica "consapevole del destino" che cattura i segnali latenti delle future destinazioni cellulari, fornendo così dati realistici essenziali per lo sviluppo e la validazione di metodi computazionali nello studio della biologia dello sviluppo.
GeneReL è una piattaforma integrata che utilizza modelli linguistici di grandi dimensioni (LLM) e la validazione della comunità per estrarre e curare reti di regolazione genica in *Arabidopsis thaliana*, offrendo un database strutturato e unico rispetto alle risorse esistenti.