881 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.
Il documento propone e valida un metodo di normalizzazione unico chiamato PFlogPF, che combina l'adattamento proporzionale additivo e moltiplicativo con una trasformazione logaritmica per stabilizzare efficacemente la varianza, tenere conto della profondità di sequenziamento e preservare la monotonicità dell'abbondanza delle caratteristiche nei dati di genomica single-cell.
Il documento introduce BootDA, un metodo bootstrap non parametrico che corregge simultaneamente quattro principali fonti di bias nei dati del microbioma senza fare affidamento su trasformazioni o pseudoconti, ottenendo così una sensibilità e una specificità superiori nell'identificare l'abbondanza differenziale reale e nel perfezionare la firma microbica della coronaropatia.
Questo studio impiega la pseudoperplessità per dimostrare che il modello linguistico proteico ProtT5 esibisce una memorizzazione rilevabile ma limitata dei suoi dati di addestramento, suggerendo che esso generalizzi principalmente la grammatica statistica delle proteine piuttosto che limitarsi all'apprendimento mnemonico delle sequenze.
Questo studio presenta ECMME, un atlante web completo che analizza le pressioni di selezione per residuo attraverso 272 proteine della matrice extracellulare umana utilizzando 228 specie di mammiferi, rivelando una pervasiva selezione purificante insieme a distinti modelli di selezione positiva episodica nei collageni per fornire una risorsa ad accesso aperto per investigare la dinamica evolutiva della ECM.
Gli autori presentano FLAG-X, un pacchetto Python che colma il divario tra l'analisi manuale e quella automatizzata della citometria a flusso integrando metodi di apprendimento automatico allo stato dell'arte con annotazioni esperte in flussi di lavoro ibridi, affrontando così la mancanza di standardizzazione ed efficienza nella pratica clinica routinaria del gating.
Il documento introduce cryoPARES, un metodo di deep learning supervisionato che accelera l'allineamento delle immagini Cryo-EM e consente la determinazione strutturale automatizzata e in tempo reale per la scoperta di farmaci, sfruttando informazioni pregresse sulla posa ed eliminando l'intervento manuale.
Questo studio affronta le sfide di riproducibilità della amplificazione isotermica mediata da loop (LAMP) colorimetrica sviluppando un modello di classificazione basato sul machine learning che utilizza caratteristiche termodinamiche e di sequenza, in particolare dai primer F1c e B1c, per prevedere il successo del saggio e migliorare la fedeltà del design dei primer.
Questo studio dimostra che la tecnologia di calibrazione intra-slide, combinata con l'analisi computazionale, migliora significativamente l'armonizzazione e la riproducibilità dei saggi immunoistochimici per p53 tra diversi laboratori di patologia anatomica, supportando così un processo decisionale diagnostico più oggettivo nella neuro-oncologia.
DDI_single è un nuovo algoritmo basato su una singola sequenza che sfrutta il modello linguistico proteico ESM-1b e un modulo di cross-attention a porta (gated cross-attention) per prevedere accuratamente le interazioni tra residui inter-dominio, ottenendo così una precisione superiore nell'assemblaggio di strutture proteiche multi-dominio rispetto ai metodi esistenti come trRosettaX_single.
Questo studio introduce un modello di deep learning che traduce con successo le mappe topografiche cerebrali individualizzate in connettomi funzionali, stabilendo così un legame diretto tra l'organizzazione spaziale e la connettività di rete per unificare le diverse prospettive della ricerca rsfMRI.