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 introduce SMILE, un modello di diffusione basato sul ponte di Schrödinger che supera i limiti delle GAN generando immagini di immunofluorescenza multiplex ad alta fedeltà a partire da campioni H&E, consentendo un'analisi proteomica scalabile e precisa del progresso del diabete di tipo 1 e di altre patologie.
Il paper presenta Hybrid Gated Fusion, un framework di deep learning multimodale che integra sequenze, strutture, testo e reti di interazione tramite un meccanismo di gating bilineare per superare le limitazioni dei dati mancanti e ridondanti, ottenendo prestazioni all'avanguardia nell'annotazione della funzione proteica.
Il paper presenta GANGE, un sistema di deep learning generativo che riduce drasticamente i costi del sequenziamento genomico recuperando ed estendendo con alta accuratezza le letture ONT a bassa copertura, rendendo accessibili la ricerca genomica e regolomica anche senza dati genomici completi.
Questo studio valuta le prestazioni di dieci strumenti per il rilevamento delle modificazioni dell'RNA in *Escherichia coli* tramite sequenziamento diretto dell'RNA di Oxford Nanopore, evidenziando come la combinazione di approcci basati su errori e segnali corretti per offset migliori la precisione e sottolineando la necessità di metriche di valutazione più complete oltre alla semplice discriminazione statistica.
Questo studio dimostra che l'uso di tecniche di machine learning per imputare i dati mancanti sulle popolazioni di zanzare in Venezuela ha migliorato significativamente l'accuratezza delle previsioni dell'incidenza della malaria da *Plasmodium vivax*, sebbene non abbia avuto successo per il *Plasmodium falciparum*.
Questo studio dimostra che l'integrazione esplicita della glicosilazione come filtro computazionale nel design di proteine *de novo*, utilizzando strumenti come ReGlyco e GlycoShape, migliora significativamente l'efficienza e riduce i costi sperimentali nella progettazione di leganti specifici, come evidenziato dalla validazione su un dataset di candidati per il virus Nipah e dalla disponibilità di un notebook dimostrativo per il design di mini-leganti contro l'eritropoietina umana.
Questo studio integra score di contributo derivati da deep learning e delta NES per rivelare che le reti di proteine leganti l'RNA condividono un'impalcatura di segnalazione comune, mentre i moduli funzionali subiscono una ridistribuzione dipendente dal contesto cellulare, offrendo un nuovo quadro per analizzare l'architettura regolatoria oltre l'analisi basata sull'espressione genica.
Questo studio presenta un modello di deep learning basato sulla Rappresentazione Caotica del Gioco delle Frequenze (FCGR) e ResNet-18 per prevedere la resistenza agli antibiotici in *Salmonella enterica* e *Staphylococcus aureus*, dimostrando la fattibilità dell'approccio su diverse specie batteriche, sebbene le prestazioni siano generalmente inferiori rispetto agli strumenti basati su geni come ResFinder, ad eccezione dei cefalosporini.
Questo lavoro presenta un approccio basato su un grafo della conoscenza spiegabile e potenziato da reti neurali (GNN-GBA) che, integrando dati biomedici su larga scala, decifra i meccanismi complessi dell'asse microbioma-intestino-cervello per identificare percorsi condivisi tra i microrganismi intestinali e 125 disturbi cerebrali, rendendo i risultati accessibili tramite un dashboard interattivo.
Il pacchetto R evo3D introduce un nuovo quadro flessibile e scalabile per l'analisi evolutiva molecolare basata sulla struttura, che estrae "spatial haplotypes" per superare i limiti dei metodi lineari e permettere lo studio di pattern evolutivi direttamente nel contesto tridimensionale delle proteine.