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.
Il paper presenta Looplook, un suite integrato open-source in R che migliora l'assegnazione dei geni target e l'annotazione funzionale delle interazioni cromatiniche attraverso l'uso di clustering dei componenti connessi e un raffinamento guidato dall'espressione genica per ridurre i falsi positivi.
Questo studio dimostra che l'integrazione di stime di incertezza nei modelli di machine learning migliora significativamente l'affidabilità e l'efficienza della previsione della risposta ai farmaci nelle linee cellulari tumorali, permettendo il filtraggio delle previsioni meno sicure, l'identificazione di firme genomiche legate all'incertezza e l'ottimizzazione degli esperimenti tramite apprendimento attivo.
SegBio è un toolkit open-source leggero e completo che semplifica la segmentazione di istanze in immagini biologiche affollate, riducendo lo sforzo di annotazione manuale e consentendo a utenti non esperti di ottenere risultati di alta qualità per studi fenotipici su larga scala.
Il paper presenta ProMaya, un innovativo framework di deep learning gerarchico e interpretabile che integra dati strutturali, elettronici e linguistici per identificare le interazioni proteina-proteina con un'accuratezza superiore al 95%, superando significativamente gli strumenti esistenti.
Il paper presenta XAttn-DTA, un framework basato su sequenze che utilizza reti di attenzione su grafi e fusione incrociata bidirezionale per prevedere l'affinità farmaco-bersaglio senza dati strutturali sperimentali, ottenendo prestazioni superiori rispetto agli stati dell'arte su benchmark come Davis e KIBA.
Il documento presenta BABAPPASnake, un workflow integrato e riproducibile per l'analisi della selezione episodica che unisce diverse fasi computazionali in un unico framework, offrendo output robusti per la valutazione della sensibilità metodologica e dimostrando la sua efficacia attraverso uno studio empirico su geni legati alla melanizzazione delle zanzare.
Il paper presenta RAMBO, una nuova pipeline di analisi che utilizza clustering non supervisionato e generazione di consenso per risolvere con alta precisione le miscele di ampliconi nei dati di barcoding del DNA ottenuti con Oxford Nanopore, permettendo di distinguere varianti genetiche molto simili senza fare affidamento su database di riferimento o modelli di errore.
Gli autori hanno sviluppato l'algoritmo BayesMonSTR per rilevare con precisione le mutazioni mosaiche dei microsatelliti a risoluzione singola cellula, scoprendo che queste varianti si accumulano con l'età, specialmente nei neuroni della corteccia prefrontale, e sono arricchite nelle regioni regolatorie dei geni altamente espressi.
Questo studio dimostra come la pratica diffusa di eseguire la selezione delle caratteristiche su tutti i campioni prima della convalida incrociata provochi una perdita di dati che gonfia artificialmente l'accuratezza dei modelli di previsione della risposta ai farmaci e corrompe la scoperta di biomarcatori nel cancro, portando a conclusioni errate in oltre il 70% dei metodi pubblicati.
Integrando quattro dataset trascrittomici indipendenti, lo studio rivela che la resistenza acquisita ai checkpoint immunitari è caratterizzata da un paradosso infiammatorio-proliferativo conservato, in cui i tumori mantengono segnali infiammatori e attivano programmi di proliferazione cellulare indipendentemente dal microambiente immunitario, offrendo un quadro sistemico per nuove strategie terapeutiche combinate.