1018 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 documento presenta C-PLANK, un framework di deep learning addestrato su dati di chemoproteomica cellulare che supera i modelli esistenti nella previsione delle interazioni frammento-proteina e ha identificato con successo un nuovo agonista di SIRT3 integrando embedding fisico-chimici con una metrica di plausibilità biologica a livello di sistema.
RegimeFormer è un modello proteico su larga scala che, attraverso il suo database associato RegimeAtlas di oltre 200 milioni di sequenze, stabilisce regimi di perturbazione globali per predire gli effetti delle mutazioni a livello di residuo e migliorare la modellazione biologica a valle, in particolare per proteine e famiglie inedite.
Questo articolo introduce il Dynamic Hierarchical Interleaved Bloom Filter, una struttura di indicizzazione scalabile e aggiornabile che estende l'HBFI all'avanguardia con la ricostruzione parziale per consentire una ricerca di sequenze su larga scala efficiente, dimostrando la capacità di indicizzare oltre 100 TB di dati RNA-Seq e di inserire nuovi campioni da 24 a 65 volte più velocemente rispetto agli strumenti concorrenti.
Vipsania è il primo strumento di deep learning non supervisionato che predice accuratamente le strutture dei geni codificanti proteine attraverso diversi genomi eucariotici imparando direttamente da sequenze non annotate, superando così i limiti dei metodi supervisionati che richiedono dati di addestramento di alta qualità e faticano con cladi distanti o basali.
PhageTransformer è un modello di deep learning che supera i limiti degli strumenti esistenti fornendo previsioni dell'ospite scalabili, accurate e rapide per i batteriofagi, come dimostrato dalle sue prestazioni superiori su migliaia di coppie indipendente fago-ospite.
Il documento introduce morphOTU, un framework basato sull'intelligenza artificiale che deriva unità di biodiversità operativa direttamente dalle immagini dei campioni utilizzando l'apprendimento auto-supervisionato e il clustering gerarchico, consentendo la quantificazione accurata della diversità delle specie e la scoperta di modelli morfologici anche in assenza di etichette tassonomiche formali o di estesi dati di addestramento.
Il documento presenta DeepTMHMM2, un nuovo predittore che ottiene simultaneamente una precisa previsione della topologia transmembrana — inclusi i segmenti rientranti e le eliche interfacciali precedentemente non modellati — e la localizzazione subcellulare in 17 membrane biologiche, rivelando la presenza diffusa di segmenti non trasversali nel proteoma.
Questo studio presenta un database XMAn aggiornato che integra estesi dati di mutazione COSMIC per creare repository di peptidi specializzati, consentendo l'identificazione tramite spettrometria di massa di peptidi mutati associati al cancro che vengono tipicamente trascurati dai database proteici canonici standard.
Questo articolo presenta un framework ibrido che combina un Variational Autoencoder per generare traiettorie longitudinali sintetiche da dati trasversali sul cancro al rene con un sistema di induzione di regole simboliche per produrre previsioni probabilistiche interpretabili della progressione della malattia che eguagliano l'accuratezza del deep learning offrendo al contempo approfondimenti trasparenti e leggibili dall'uomo sui meccanismi molecolari sottostanti.
HIDE-Deconv è un framework di deconvoluzione gerarchica open-source che ottimizza congiuntamente le stime della composizione cellulare attraverso molteplici livelli di risoluzione per rivelare il rimodellamento cellulare biologicamente rilevante in malattie come l'adenocarcinoma polmonare e la sepsi, superando i metodi esistenti a singola risoluzione.