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.
Il paper presenta scExploreR, una piattaforma flessibile basata su R Shiny che democratizza l'analisi dei dati single-cell multimodali consentendo a ricercatori senza competenze di programmazione di eseguire analisi approfondite e generare figure di alta qualità.
Questo studio integra profili multi-omici per dimostrare che l'attività fisica regolare potenzia le difese immunitarie e metaboliche nell'uomo, innescando un'ossidazione degli acidi grassi migliorata e una pre-attivazione epigenetica dei geni coinvolti nella presentazione dell'antigene e nelle funzioni effettrici delle cellule immunitarie.
Il documento presenta DABEST 2.0, un nuovo framework di statistica di stima progettato per superare i limiti dei test di ipotesi nulle nelle analisi a gruppi multipli, offrendo strumenti avanzati per quantificare gli effetti in disegni sperimentali complessi come quelli con controlli condivisi, misure ripetute e fattoriali.
Il paper presenta EpiExpr, un framework di deep learning che prevede l'espressione genica integrando dati epigenetici 1D e interazioni cromatiniche 3D, offrendo un metodo scalabile ed efficiente che supera i metodi di riferimento e convalida la sua capacità di identificare elementi regolatori.
Il paper propone un nuovo framework di apprendimento congiunto basato sulla fattorizzazione accoppiata di tensori e su informazioni ausiliarie, denominato SI-ADMM, che permette di prevedere simultaneamente combinazioni farmacologiche efficaci e interazioni farmaco-farmaco, dimostrando prestazioni superiori rispetto ad altri metodi, specialmente nel contesto della previsione per farmaci nuovi.
Il paper presenta QuantCell, un framework di machine learning che integra dati di imaging quantitativi e qualitativi per migliorare l'annotazione cellulare nei tessuti complessi, aumentando significativamente la copertura e l'accuratezza dell'identificazione delle popolazioni cellulari rare.
Questo studio utilizza il sequenziamento dell'RNA a singola cellula per rivelare che le differenze trascrittomiche regionali tra i podociti della corteccia esterna e della giunzione midollare, in particolare il ruolo della via p53 nell'indurre senescenza e danno glomerulare, spiegano la maggiore severità dell'infortunio podocitario osservata nella giunzione midollare nel modello di glomerulosclerosi focale segmentale (FSGS).
Il paper presenta t2pmhc, un framework basato su reti neurali a grafo che sfrutta le strutture tridimensionali previste dei complessi TCR-pMHC per migliorare l'accuratezza e la generalizzazione nella previsione del legame rispetto ai metodi basati esclusivamente sulla sequenza.
Il paper presenta miREA, un nuovo strumento di analisi di arricchimento basato su reti che utilizza le interazioni miRNA-gene per caratterizzare la funzione dei miRNA a livello di pathway, dimostrando una maggiore sensibilità e interpretabilità biologica rispetto ai metodi tradizionali centrati sui nodi.
Il paper presenta RigidSSL, un framework di preaddestramento auto-supervisionato che, integrando apprendimento geometrico e dinamica conformazionale attraverso un obiettivo di flow matching bidirezionale, supera i limiti degli approcci attuali migliorando significativamente la progettabilità, la diversità e il realismo biofisico nella generazione di proteine.