895 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.
Questo studio dimostra che l'integrazione della localizzazione subcellulare nei modelli di machine learning migliora significativamente la predizione della rilevabilità proteica nel cancro, rivelando una diffusa discordanza tra RNA e proteine che evidenzia i limiti delle interpretazioni basate esclusivamente sull'espressione trascrizionale.
Il paper introduce CROWN, un nuovo dataset curato e pronto per l'apprendimento automatico di 153.005 complessi proteina-ligando che risolve il compromesso tra copertura e qualità dei dati esistenti attraverso un pipeline di pre-elaborazione automatizzata e minimizzazione energetica vincolata, offrendo una diversità strutturale quattro volte superiore a quella di PDBBind e HiQBind.
Questo lavoro presenta Claw4Science, una piattaforma e un dataset curato che unifica e analizza l'ecosistema frammentato degli agenti scientifici OpenClaw, fornendo un'infrastruttura fondamentale per lo sviluppo futuro di strumenti di intelligenza artificiale nella ricerca scientifica.
Questo studio dimostra che le strategie di trasformazione dei dati, in particolare quelle basate sul ranking, costituiscono l'approccio più efficace per rendere le Random Forest robuste alla contaminazione dei dati nella predizione genomica, offrendo un quadro generale per decidere quando adottarle rispetto ai metodi standard.
Il paper introduce BulkMonSTR, un nuovo framework computazionale che combina modellazione degli errori specifica per i ripetuti corti (STR) e classificazione tramite machine learning per rilevare con alta precisione le mutazioni mosaico a livello di nucleotide nei dati di sequenziamento di massa, superando le limitazioni dei metodi esistenti e fornendo una base scalabile per studiare il ruolo di queste mutazioni nell'invecchiamento e nelle malattie.
Il paper presenta un framework scalabile ed efficiente che, sfruttando il fine-tuning di modelli linguistici proteici e l'apprendimento metrico su sequenze, predice con alta accuratezza l'affinità di legame proteina-proteina e identifica i residui critici senza richiedere dati strutturali tridimensionali.
Il benchmark IMMREP25 ha dimostrato che l'integrazione della modellazione strutturale nei metodi di previsione ha permesso di superare il caso casuale nella predizione delle interazioni tra TCR e peptidi "invisi", segnando un progresso significativo rispetto alle iterazioni precedenti.
Il paper presenta scRitmo, un quadro probabilistico che infere le fasi circadiane a livello di singola cellula da dati di trascrittomica e quantifica la desincronizzazione biologica distinguendola dal rumore tecnico, superando i metodi esistenti in diverse specie e tessuti.
Questo studio presenta una strategia integrata computazionale-sperimentale che, superando i limiti dei metodi tradizionali per i recettori GPCR flessibili, ha identificato tre nuove classi di agonisti del GLP-1R, evidenziando in particolare il pentapeptide DPDPE come promettente candidato terapeutico con attività duale GLP-1R/GIPR.
Lo studio dimostra che l'utilizzo del riferimento pangenomico umano migliora significativamente l'accuratezza e la precisione nella rilevazione di mutazioni somatiche, riducendo in particolare i bias legati all'ascendenza genetica e il rumore germinale, con guadagni sostanziali per i soggetti di ascendenza asiatica orientale rispetto al riferimento lineare tradizionale.