1235 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 calibra otto strumenti computazionali per la classificazione clinica delle varianti indel in-frame, stabilendo soglie di punteggio basate sulle linee guida ACMG/AMP che ne dimostrano il valore clinico, sebbene con prestazioni inferiori rispetto ai predittori per varianti missenso.
Questo studio dimostra che, in coorti pan-tumorali eterogenee, le variabili cliniche dominano la previsione della sopravvivenza ai trattamenti con inibitori dei checkpoint immunitari, mentre l'integrazione di caratteristiche genomiche come il carico mutazionale tumorale apporta un miglioramento marginale rispetto ai modelli clinici ottimizzati.
Questo articolo presenta un nuovo rilascio di immuneML che colma la mancanza di un framework unificato per l'apprendimento non supervisionato nel campo dei recettori immunitari adattativi, offrendo flussi di lavoro integrati per il clustering, la modellazione generativa e l'analisi esplorativa dei dati.
Il framework computazionale LagCI, presentato in questo studio, permette di inferire relazioni causali temporali da serie temporali multi-omiche dense analizzando profili di correlazione a ritardo e applicando un sistema di filtraggio statistico per identificare interazioni biologiche significative, come dimostrato su dati fisiologici e omici umani.
Lo studio dimostra che l'inclusione della struttura spaziale in modelli di dinamica microbica risolve la discrepanza tra le previsioni teoriche e le distribuzioni empiriche di abbondanza, rivelando che i pattern macroecologici osservati derivano principalmente dall'aggregazione spaziale dei dati piuttosto che da meccanismi biologici specifici.
Lo studio introduce embeRNA, un framework basato su reti neurali che sfrutta la composizione in k-mer dell'16S rRNA per predire direttamente il potenziale funzionale dei microbiomi, superando i limiti dei metodi basati su riferimenti tassonomici e ottenendo prestazioni superiori su microrganismi non caratterizzati e in ambienti complessi come il suolo.
Il lavoro dimostra che una strategia di apprendimento attivo basata sul campionamento di Thompson, combinata con AlphaFold2, permette di esplorare in modo efficiente librerie peptidiche identificando la metà dei leganti con solo il 15% delle query necessarie per un campionamento esaustivo, superando di 3,3 volte l'efficienza del campionamento casuale.
Il lavoro presenta SCRU-DB, un vasto database di unità di RNA autonome, e due modelli di deep learning (SCRU-Seq e SCRU-Diff) che superano le limitazioni dei metodi attuali nel design diretto di sequenze di RNA, garantendo un'elevata fedeltà strutturale e una maggiore scalabilità.
Il paper presenta NetSyn, uno strumento bioinformatico che analizza la conservazione del contesto genomico per raggruppare famiglie proteiche prokariotiche e scoprire nuove relazioni funzionali e interazioni tra enzimi non omologhi, superando i limiti dei metodi basati esclusivamente sulla similarità di sequenza.
Questo studio presenta ViScore, un framework di valutazione robusto, e ViVAE, un modello di deep learning interpretabile, per migliorare l'affidabilità e la preservazione della struttura multi-scala nelle embedding dei dati di trascrittomica a cellula singola (scRNA-seq).