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 un singolo agente AI è in grado di estrarre dati da meta-analisi agricole con un'equivalenza statistica rispetto all'estrazione umana, risolvendo il collo di bottiglia tradizionale attraverso un allineamento guidato da LLM e riducendo costi ed errori.
Il paper presenta REGEN, un framework basato sulle Reti Neurali Grafiche che ricostruisce simultaneamente le reti di interazione genica da dati di espressione trascrittomica in bulk e prevede lo stato vitale dei pazienti, offrendo linee guida pratiche per l'applicazione di queste reti nel contesto della biologia dei tumori.
Il paper presenta EvoMut, un framework computazionale che integra dati strutturali, chimici, funzionali ed evolutivi per distinguere le residui ossidabili ingegnerizzabili da quelli vincolati, facilitando così la progettazione razionale di proteine con maggiore stabilità ossidativa.
Gli autori hanno sviluppato un framework di benchmarking armonizzato e consapevole dell'implementazione per valutare 46 strumenti di punteggio di rischio poligenico su fenotipi binari e continui, dimostrando che le prestazioni variano significativamente in base al metodo statistico, alle caratteristiche del fenotipo e ai vincoli pratici, senza che esista un singolo metodo universalmente ottimale.
Il paper presenta Helicase, una libreria Rust ad alte prestazioni che utilizza algoritmi vettorializzati SIMD e bitpacking per superare i colli di bottiglia nell'analisi di sequenze genomiche, offrendo la velocità di parsing più elevata tra le soluzioni esistenti per i formati FASTA/Q.
Il paper introduce miRBind2, un modello di deep learning basato esclusivamente sulla sequenza che supera le prestazioni degli strumenti esistenti nella previsione dei siti di legame e della repressione genica delle miRNA, dimostrando che le rappresentazioni apprese possono catturare segnali regolatori senza bisogno di caratteristiche biologiche ingegnerizzate.
Questo studio dimostra che l'accoppiamento di modelli linguistici a livello di codone e proteina rivela come la patogenicità delle varianti genetiche dipenda sia dalle caratteristiche della proteina prodotta ("prodotto") che dai vincoli regolatori del processo di sintesi ("processo"), con un contributo variabile a seconda del tipo di variante e del contesto sperimentale.
Questo studio presenta un flusso di lavoro computazionale integrativo che, analizzando 28 firme trascrittomiche della tubercolosi, identifica 64 farmaci già approvati dalla FDA come promettenti terapie dirette all'ospite e rivela nuovi bersagli terapeutici, superando le limitazioni delle metodologie di mappatura della connettività tradizionali.
Il paper presenta TriGraphQA, un innovativo framework di apprendimento a grafo triplo che migliora la valutazione della qualità delle strutture dei complessi proteici decouplando esplicitamente le rappresentazioni intra-catena e interfacciali per superare i limiti dei metodi esistenti.
Il paper presenta RNASTOP, un innovativo framework di deep learning che migliora significativamente la previsione della stabilità chimica dell'mRNA e ne ottimizza le sequenze, accelerando così lo sviluppo di terapie a base di mRNA.