775 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.
RNAElectra è un modello fondazionale per l'RNA ad alta risoluzione che, sostituendo il tradizionale mascheramento delle parole con la rilevazione di token sostituiti (RTD), supera i limiti di coerenza tra pre-addestramento e inferenza, offrendo prestazioni superiori e interpretabilità in una vasta gamma di compiti di regolazione e ingegneria dell'RNA.
Il paper introduce ATOMICA, un modello di apprendimento profondo geometrico che apprende rappresentazioni atomiche universali delle interazioni intermolecolari su cinque modalità diverse, dimostrando prestazioni superiori in compiti di classificazione e capacità di identificare con successo leganti per proteine "oscure" non caratterizzate.
Questo studio presenta AFESM, un dataset di 820 milioni di strutture proteiche predette che, attraverso un'analisi metagenomica su larga scala, ha rivelato migliaia di nuove combinazioni di domini e decine di nuovi ripiegamenti proteici, sottolineando il ruolo cruciale dei dati metagenomici e della qualità della predizione nell'esplorare l'universo strutturale delle proteine.
Il documento presenta BiOS, un framework open-source modulare che, aderendo ai principi FAIR, risolve le problematiche di eterogeneità e frammentazione dei dati sulla biodiversità offrendo sia un'API per sviluppatori che un'interfaccia web intuitiva per l'esplorazione e l'integrazione di risorse multidisciplinari.
Il paper presenta SC-BIG, un modello bayesiano gerarchico che sfrutta i dati di sequenziamento bulk per migliorare l'identificazione delle varianti nucleotidiche somatiche nelle cellule singole, superando i limiti dei metodi esistenti e fornendo probabilità posteriori ben calibrate per l'analisi dell'eterogeneità tumorale.
Questo studio presenta un benchmark esplicativo di 26 metodi per il rilevamento di domini spaziali su 63 sezioni tissutali e oltre 1.000 dataset semi-sintetici, rivelando che le prestazioni dipendono fortemente dalla risoluzione e dall'eterogeneità cellulare e dimostrando che la scelta della pre-elaborazione e del clustering ha un impatto maggiore rispetto alla novità architetturale nelle reti neurali.
Il paper presenta ITEC, un metodo completamente non supervisionato che ricostruisce con alta fedeltà le linee cellulari e le mappe di destino di interi embrioni attraverso il tracciamento iterativo con correzione degli errori, validato su diversi organismi modello e applicato con successo a dataset su larga scala per rivelare dinamiche morfogenetiche e correlazioni con la trascrittomica spaziale.
Il documento presenta scPloidyR, un modello statistico che integra profondità di lettura e frequenza degli alleli B per migliorare l'identificazione delle variazioni del numero di copie del DNA a livello di singola cellula nei dati di sequenziamento Tapestri, dimostrando prestazioni superiori rispetto ai metodi basati solo sulla profondità quando sono disponibili informazioni alleliche.
Questo studio dimostra che l'apprendimento per rinforzo gerarchico, integrato in un nuovo simulatore di resistenza antimicrobica, ottimizza le politiche di prescrizione antibiotica superando i metodi tradizionali, specialmente in scenari complessi caratterizzati da incertezza osservativa, feedback ritardati e differenziazione del rischio dei pazienti.
Questo lavoro applica la previsione conformale al recupero molecolare basato su spettri di massa per generare set di candidati affidabili e specifici per ogni spettro, garantendo una copertura statistica controllata anche in scenari con distribuzione dei dati variabile.