774 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.
DeepTrio è un modello di deep learning che migliora l'accuratezza della chiamata delle varianti genetiche nelle famiglie analizzando direttamente i dati di sequenziamento dei trii (madre, padre e figlio), superando le prestazioni di DeepVariant sia su dati Illumina che PacBio HiFi senza richiedere codifiche esplicite di prior di ereditarietà.
Questo studio dimostra che l'ottimizzazione dei pesi negli ensemble di modelli di previsione genomica per il mais, utilizzando approcci come la trasformazione lineare, Nelder-Mead e Bayesiano, può migliorare le prestazioni predittive rispetto alla media semplice, specialmente quando i pesi ottimali differiscono significativamente da quelli uguali, sebbene nessun singolo metodo di ottimizzazione si sia rivelato nettamente superiore agli altri.
Il paper presenta il GPCT, un modello fondazionale basato su transformer preaddestrati che supera i limiti della variabilità dei marcatori nella citometria a flusso, consentendo una modellazione predittiva interpretabile e scalabile per l'analisi di campioni eterogenei.
Il paper introduce DESPOT, un nuovo potenziale basato sulla conoscenza che supera i limiti dei metodi isotropi tradizionali modellando le interazioni proteina-legante in modo anisotropo e direzionale, ottenendo così prestazioni superiori nel punteggio delle pose e nello screening virtuale.
Il paper introduce TRACE, un framework multimodale che utilizza l'allineamento contrastivo per stabilizzare la previsione del legame TCR-peptide, dimostrando che integrare dati strutturali imperfetti senza tale regolarizzazione può peggiorare le prestazioni rispetto a modelli basati solo sulla sequenza.
Questo studio presenta MAPPER, un innovativo framework multimodale basato sui profili proteomici di *Escherichia coli* che permette di prevedere con precisione il meccanismo d'azione degli antibiotici e identificare nuovi candidati con meccanismi non convenzionali.
Il documento presenta EMITS, uno strumento basato su Rust che utilizza l'algoritmo expectation-maximization per migliorare l'accuratezza della stima dell'abbondanza delle specie fungine nei dati di sequenziamento ITS a lettura lunga, risolvendo le ambiguità di classificazione tipiche dei metodi tradizionali.
Questo studio dimostra che un approccio ibrido RF-SVM basato su caratteri k-mer TF-IDF supera i metodi di deep learning nella classificazione delle varianti di SARS-CoV-2, offrendo una soluzione efficace e interpretabile per il rilevamento di varianti rare in contesti di dati genomici fortemente sbilanciati.
Questo studio dimostra che, sebbene le stime dell'ereditabilità SNP varino notevolmente a seconda della configurazione metodologica utilizzata, tale variabilità ha un impatto trascurabile sulle prestazioni dei punteggi di rischio poligenico (PRS) derivati.
Gli autori sviluppano un nuovo modello matematico che integra i dati dei saggi di suscettibilità a dosi intensive per quantificare l'eterogeneità della resistenza agli insetticidi nelle popolazioni di zanzare e prevedere con maggiore precisione l'efficacia delle zanzariere trattate, superando i limiti dei tradizionali saggi a dose discriminante.