1246 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 integra dati di sequenziamento RNA a singola cellula e tecniche di machine learning interpretabile per identificare firme biomolecolari, sia tumorali che ematiche, in grado di predire con alta accuratezza la risposta terapeutica nel carcinoma mammario triplo negativo.
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.
Il paper presenta scEvolver, un framework di apprendimento continuo basato su prototipi che supera i limiti delle annotazioni statiche delle cellule singole, permettendo l'accumulo incrementale di conoscenza senza accedere ai dati storici e migliorando l'accuratezza e la generalizzazione su diverse piattaforme e tessuti.
Il paper presenta geneSTRUCTURE, una piattaforma moderna e flessibile, disponibile sia come interfaccia a riga di comando che come applicazione web, progettata per visualizzare in modo chiaro e personalizzabile le strutture geniche e le annotazioni supplementari partendo da formati standard come GFF3 e GTF.
Il paper presenta Perseus, un framework di raffinamento basato su reti neurali convoluzionali che migliora l'accuratezza tassonomica delle classificazioni Kraken2 per dati metagenomici a lettura lunga, riducendo significativamente i falsi positivi attraverso una stima della fiducia consapevole della linea evolutiva.
Gli autori hanno sviluppato modelli di deep learning basati su embeddings contestuali del modello linguistico genomico PlantCaduceus che, superando le tecnologie esistenti, migliorano significativamente la previsione dell'espressione genica tra specie vegetali e la capacità di catturare gli effetti delle varianti regolatorie a risoluzione singola in linee mutanti di Brachypodium.
Questo studio ri-analizza dati trascrittomici e proteomici del modello suino di diabete MIDY utilizzando approcci multi-omici per identificare ADAMTS17 come nuovo biomarcatore associato alla disfunzione immunitaria e al ritardo nella guarigione delle ferite.
Il paper introduce Inverse Protocol Prediction (IPP), un framework di apprendimento strutturato che infere le condizioni sperimentali di coltura da immagini microscopiche di sferoidi, integrando descrittori morfometrici e trasformatori multi-task per raggiungere un'accuratezza del 95,7% e supportare l'audit della riproducibilità.
Il paper presenta SR2P, un innovativo framework di machine learning basato su stacking che prevede l'abbondanza proteica spaziale a partire dai dati di espressione genica, superando i limiti delle attuali tecnologie multi-omiche e migliorando l'analisi dell'immunologia tumorale.