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.
Questo studio presenta il primo confronto completo di tre strumenti per il rilevamento di circRNA da dati di sequenziamento long-read ONT, utilizzando un nuovo framework di simulazione open-source per evidenziare le differenze nelle prestazioni e sottolineare la necessità di combinare strumenti o migliorare gli algoritmi per una rilevazione più accurata.
Il paper propone un nuovo framework di apprendimento congiunto basato sulla fattorizzazione accoppiata di tensori e su informazioni ausiliarie, denominato SI-ADMM, che permette di prevedere simultaneamente combinazioni farmacologiche efficaci e interazioni farmaco-farmaco, dimostrando prestazioni superiori rispetto ad altri metodi, specialmente nel contesto della previsione per farmaci nuovi.
Il paper presenta t2pmhc, un framework basato su reti neurali a grafo che sfrutta le strutture tridimensionali previste dei complessi TCR-pMHC per migliorare l'accuratezza e la generalizzazione nella previsione del legame rispetto ai metodi basati esclusivamente sulla sequenza.
Il paper presenta RigidSSL, un framework di preaddestramento auto-supervisionato che, integrando apprendimento geometrico e dinamica conformazionale attraverso un obiettivo di flow matching bidirezionale, supera i limiti degli approcci attuali migliorando significativamente la progettabilità, la diversità e il realismo biofisico nella generazione di proteine.
Il paper introduce ProtNHF, un modello generativo basato su flussi hamiltoniani neurali che consente un controllo continuo e quantitativo delle proprietà delle sequenze proteiche tramite funzioni di bias analitiche applicate esclusivamente al momento dell'inferenza, senza necessità di riaddestramento.
Il paper presenta CellSweep, un metodo efficiente ed efficace per rimuovere le contaminazioni ambientali e di massa dai dati di genomica a singola cellula, dimostrando prestazioni superiori rispetto ad altri strumenti esistenti.
Questo studio propone un approccio di divisione e fusione per utilizzare dimensioni di finestra variabili nelle analisi filogenomiche, superando i limiti dei metodi a finestra fissa e migliorando il recupero delle topologie degli alberi genici in presenza di tassi di ricombinazione variabili.
Il documento presenta SLiMMine, un metodo basato sull'apprendimento profondo che migliora l'identificazione affidabile dei brevi motivi lineari (SLiM) nel proteoma umano, riducendo significativamente i falsi positivi e facilitando la scoperta di nuove interazioni proteiche attraverso un server web accessibile.
Il paper presenta Latent Space Dynamics (LSD), un modello ispirato alla termodinamica che ricostruisce le traiettorie di differenziazione cellulare in uno spazio latente, inferendo dinamiche di sviluppo, prevedendo i destini cellulari e quantificando la plasticità attraverso una funzione di potenziale e un termine di entropia.
Questo articolo presenta una versione di kallisto ottimizzata per le GPU che, grazie a un riprogettazione algoritmica dei processi di pseudoallineamento e dell'algoritmo EM, raggiunge un'accelerazione da 30 a 50 volte rispetto alla versione CPU multithread, permettendo l'analisi di dati RNA-seq in pochi secondi.