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.
Il paper presenta PhosSight, un framework di deep learning unificato che potenzia l'identificazione e accelera l'analisi del fosfoproteoma sia in modalità DDA che DIA, permettendo la scoperta di nuovi bersagli terapeutici nel cancro endometriale.
FAMUS è un innovativo framework di apprendimento few-shot basato sul contrasto che supera i metodi tradizionali di annotazione funzionale delle proteine, offrendo una soluzione precisa e scalabile per l'analisi su larga scala di dati genomici e metagenomici.
Questo studio presenta SCL2205, un dataset di alta qualità e privo di fughe di dati derivato da UniProtKB che, grazie a un rigoroso pre-processing e a una partizione stringente, supera le prestazioni degli attuali modelli all'avanguardia nella previsione della localizzazione subcellulare delle proteine, evidenziando al contempo l'inflazione delle metriche causata da perdite di dati nei metodi esistenti.
Lo studio dimostra che la fosforilazione di un epitopo derivato da ASXL2 nei tumori modula le interazioni dinamiche e aumenta l'affinità di legame con l'HLA, fornendo così una base strutturale per lo sviluppo di nuove immunoterapie mirate.
Il paper presenta STAR Suite, una modernizzazione del software di allineamento STAR realizzata tramite ingegneria umana e AI che integra direttamente funzionalità di trascrittomica nel codice sorgente C++ per eliminare file intermedi e migliorare le prestazioni, risolvendo così i problemi di scalabilità del consorzio NIH MorPhiC.
Questo studio dimostra che l'uso di un approccio di previsione genomica basato su ensemble, implementato tramite la pipeline EasiGP, migliora sistematicamente l'accuratezza nella previsione dei tempi di fioritura nel mais rispetto ai singoli modelli, offrendo al contempo nuove intuizioni sulla variabilità genetica sottostante.
Il paper presenta ChatSpatial, una piattaforma basata sul Model Context Protocol che utilizza schemi pre-validati per orchestrare in modo riproducibile e cross-piattaforma oltre 60 metodi di trascrittomica spaziale, superando le incompatibilità tra gli ecosistemi Python e R e consentendo analisi biologiche più efficaci.
Questo studio presenta un benchmarking sistematico dei metodi di deconvoluzione per l'RNA plasmatico extracellulare (cfRNA), rivelando che mentre l'inferenza dell'organo di origine è robusta, quella del tipo cellulare mostra maggiore variabilità e dipende criticamente dalla scelta del metodo e dei parametri di riferimento.
Il paper introduce Fractal, un ecosistema composto da una specifica di attività e una piattaforma che abilita flussi di lavoro di analisi delle immagini biologiche scalabili, riproducibili e basati sul formato OME-Zarr per gestire grandi volumi di dati microscopici.
Questo studio valuta le prestazioni di 29 algoritmi di machine learning, 80 di deep learning e 3 strumenti di polygenic risk score su 80 fenotipi binari del dataset openSNP, rivelando che i metodi di machine learning superano quelli tradizionali in 44 casi, mentre gli strumenti di polygenic risk score risultano più efficaci negli altri 36.