1242 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 PSALM, un metodo di annotazione dei domini proteici che combina un modello linguistico preaddestrato (ESM-2) con un classificatore per residuo e un decoder probabilistico strutturato, ottenendo prestazioni di rilevamento comparabili a HMMER su un vasto benchmark di 89 milioni di sequenze.
Questo studio introduce il concetto di "amino acid substitutomics" e il tool PIPI-C per analizzare le sostituzioni di amminoacidi a livello proteico su larga scala in diversi tipi di cancro, rivelando che la maggior parte di queste modifiche sono post-traduzionali, non rilevabili a livello genomico, e hanno un ruolo cruciale nei meccanismi di resistenza ai farmaci e di evasione immunitaria.
Questo studio bioinformatico evidenzia come la sovraespressione del gene ITGB1 in diversi tipi di cancro sia associata a una prognosi sfavorevole e alla resistenza terapeutica, suggerendone il potenziale ruolo come biomarcatore e bersaglio terapeutico.
Questa revisione sistematica evidenzia come, nonostante l'ampia applicazione dell'apprendimento di rappresentazione profonda (in particolare i VAE) negli studi oncologici per sottotipizzazione e prognosi, la scarsità di dati longitudinali limiti attualmente l'analisi delle dinamiche temporali del cancro, suggerendo che l'uso dei VAE come modelli generativi per lo studio della progressione tumorale nel tempo potrebbe portare a significativi avanzamenti nella comprensione della malattia.
Il paper presenta EnzyGen2, un modello fondazionale di intelligenza artificiale che co-progetta simultaneamente sequenza e struttura di enzimi de novo guidati da ligandi, superando i metodi esistenti in velocità e accuratezza e dimostrando sperimentalmente la creazione di nuovi biocatalizzatori con attività catalitiche elevate.
Il paper presenta Flipper, un nuovo framework avanzato basato su DESeq2 che risolve le limitazioni degli strumenti attuali per l'analisi eCLIP, offrendo una normalizzazione robusta e la capacità di distinguere i veri cambiamenti nel legame delle proteine leganti l'RNA dagli effetti legati all'espressione genica.
Il paper presenta CCIDeconv, un modello gerarchico che deconvolve le interazioni cellula-cellula in dati di trascrittomica a singola cellula non spaziali per attribuirle a regioni subcellulari specifiche, come il nucleo e il citoplasma, sfruttando l'apprendimento su dataset spaziali multipli per ottenere previsioni robuste.
Questo studio utilizza modelli di manifold latente su dati di RNA a cellula singola per dimostrare che la parodontite grave comporta un'irreversibilità trascrizionale quantificabile, introducendo l'Indice di Permesso Rigenerativo (RPI) come strumento critico per prevedere il fallimento degli interventi rigenerativi quando i valori scendono sotto la soglia di 0,50.
Il paper presenta BlueSTARR, un framework di deep learning retrainable che utilizza dati di saggi reporter su intero genoma per prevedere gli effetti delle varianti non codificanti, rivelando firme di selezione purificante e dimostrando la capacità di modelli leggeri di catturare pattern di legame dipendenti dalla distanza e dal trattamento.
Il paper presenta IDBSpred, un metodo basato sull'apprendimento automatico e sul modello linguistico delle proteine ESM-2 che prevede con elevata accuratezza i siti di legame sulle proteine strutturate coinvolti nelle interazioni con proteine intrinsecamente disordinate.