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.
Il paper presenta Deconomix, un pacchetto Python completo con interfaccia grafica per la deconvoluzione dei dati di trascrittomica bulk, che permette di stimare le composizioni cellulari, ottimizzare i pesi genici tramite machine learning, inferire contributi di fondo e analizzare la regolazione genica specifica per tipo cellulare.
Questo lavoro presenta un modello di apprendimento automatico che, superando i limiti degli approcci strutturali tradizionali e della scarsità di dati chimici, apprende i principi delle interazioni non leganti per predire le interazioni farmaco-recettore su nuove molecole senza bias di memorizzazione, offrendo così un quadro teorico per la scoperta razionale di farmaci.
FlashDeconv è un nuovo metodo di deconvoluzione spaziale che, combinando il campionamento per importanza basato su punteggi di leva con la regolarizzazione spaziale sparsa, permette di analizzare dataset su scala di milioni di bin con la precisione dei metodi Bayesiani, rivelando nicchie cellulari e microdomini infiammatori invisibili alle tecniche attuali e superando i limiti di risoluzione dei dati Visium HD.
Il paper presenta Col-Ovo, un sistema basato sull'intelligenza artificiale e accessibile tramite smartphone che automatizza il conteggio rapido e accurato delle uova di *Aedes aegypti* catturate in trappole ovipositorie, risolvendo il collo di bottiglia operativo del conteggio manuale in condizioni di campo reali.
Il paper introduce PACMON, un modello bayesiano scalabile e interpretabile che integra dati multi-omici su larga scala per mappare sistematicamente gli effetti delle perturbazioni su programmi biologici di pathway noti, superando i limiti delle metodologie esistenti in termini di accuratezza e capacità di elaborazione.
Il paper presenta TCRseek, un framework di ricerca scalabile per i repertori dei recettori delle cellule T che combina embedding di k-mer a finestre con indicizzazione ANN e un passaggio di riordinamento per ottenere una velocità di ricerca significativamente superiore rispetto ai metodi esatti senza compromettere la sensibilità.
Lo studio dimostra che l'uso di un approccio integrato che combina più strumenti di annotazione (ANNOVAR, SnpEff, VEP) e modelli genici (Ensembl e RefSeq) è essenziale per massimizzare la copertura genomica e garantire l'affidabilità delle inferenze a livello di proteine e pathway, evitando le discrepanze e le perdite di informazioni tipiche dell'uso di un singolo metodo.
Il paper presenta dreampy, un'implementazione in Python del framework R dreamlet che permette l'analisi differenziale dell'espressione genica su dati di RNA-seq a cellula singola aggregati in pseudobulk, integrandosi nativamente con l'ecosistema scverse e AnnData.
Il paper presenta Micro16S, un approccio di deep learning che genera rappresentazioni vettoriali continue delle sequenze del gene 16S rRNA basate sulle relazioni filogenetiche, migliorando la coerenza tassonomica e l'invarianza regionale rispetto ai metodi tradizionali, sebbene i modelli classici abbiano finora superato le prestazioni del sistema su compiti di classificazione specifici.
Il paper presenta ExposoGraph, una piattaforma interattiva basata su un grafo di conoscenza che unifica dati su esposizioni cancerogene, vie metaboliche di attivazione e detossificazione, danni al DNA e annotazioni genetiche per facilitare lo studio delle interazioni gene-ambiente nel rischio oncologico.