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 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.
Il pacchetto anndataR migliora l'interoperabilità tra R e Python nell'ambito della trascrittomica a cellula singola consentendo la lettura, la scrittura e la conversione nativa dei file H5AD in oggetti R come SingleCellExperiment e Seurat.
Questo studio presenta un dataset migliorato e standardizzato per la previsione dell'infezione virale nei mammiferi, dimostrando che le prestazioni dei modelli di machine learning migliorano significativamente quando si prevedono categorie ospiti più ampie e si riduce la distanza filogenetica tra i dati di addestramento e di test, mentre la generalizzazione a virus completamente nuovi rimane una sfida aperta.
Il paper presenta MiRformer, un framework generativo unificato basato su trasformatori che supera i limiti dei metodi esistenti per la previsione delle interazioni miRNA-mRNA, l'identificazione dei siti di legame e la sintesi di sequenze miRNA specifiche, offrendo al contempo alta accuratezza e interpretabilità biologica.
Il documento presenta il SSIT (Stochastic System Identification Toolkit), un software open-source in MATLAB progettato per modellare, adattare, prevedere e ottimizzare la progettazione di esperimenti su dati biologici rumorosi e stocastici, offrendo strumenti avanzati per l'inferenza dei parametri, l'analisi di sensibilità e la gestione delle distorsioni sperimentali attraverso un'interfaccia grafica e pipeline automatizzabili.
Il paper presenta SPAE, un modello basato su autoencoder che migliora l'accuratezza e la robustezza nell'identificazione delle dinamiche del ciclo cellulare e degli stati delle cellule nei dati di RNA-seq a singola cellula, consentendo anche la previsione delle transizioni cicliche nelle cellule tumorali e la rimozione degli effetti del ciclo cellulare.
Il paper presenta REMAG, un nuovo strumento basato sull'apprendimento contrastivo e su modelli genomici fondazionali che supera le limitazioni delle pipeline attuali per recuperare genomi eucariotici di alta qualità da dati metagenomici a lettura lunga, ottenendo risultati superiori rispetto agli strumenti esistenti.