104 articoli
La biologia dei sistemi rappresenta un approccio affascinante che guarda agli organismi viventi non come a semplici collezioni di parti, ma come reti complesse e interconnesse. Invece di studiare singoli geni o proteine isolatamente, questo campo integra dati su larga scala per comprendere come le diverse componenti collaborino e diano vita a comportamenti emergenti, offrendo una visione d'insieme molto più ricca della vita cellulare.
Su Gist.Science, selezioniamo ogni nuovo preprint pubblicato su bioRxiv in questa categoria per renderlo immediatamente comprensibile a tutti. Il nostro team elabora questi studi avanzati fornendo sia una spiegazione in linguaggio semplice che un riassunto tecnico dettagliato, permettendo a ricercatori e appassionati di seguire l'evoluzione di queste scoperte senza barriere linguistiche o concettuali.
Di seguito trovate le ultime ricerche in biologia dei sistemi appena rese disponibili, pronte per essere esplorate attraverso le nostre sintesi chiare e approfondite.
Questo studio dimostra che i chemotipi, derivati dall'analisi spettroscopica FTIR combinata con l'apprendimento automatico in *Drosophila melanogaster*, fungono da indicatori predittivi integrati per la variazione genetica, fisiologica e la risposta allo stress, offrendo un nuovo approccio per comprendere le risposte biologiche alle perturbazioni.
Questo studio dimostra come il framework computazionale TransComp-R, attraverso procedure di traduzione interspecie, abbia permesso di identificare e validare farmaci riposizionabili che agiscono sul ciclo sonno-veglia come potenziali terapie per il morbo di Alzheimer a esordio tardivo, colmando il divario tra modelli murini e patologia umana.
Questo studio integra modelli metabolici su scala metagenomica e metabolomica per caratterizzare le interazioni biochimiche nei microsferi di *Microcystis*, rivelando come i microbiomi associati espandano il repertorio metabolico del sistema pur mantenendo ridondanza funzionale, mentre i profili metabolomici siano guidati principalmente dalle uscite metaboliche dei cianobatteri.
Il paper introduce FASTERCC, un algoritmo ottimizzato che accelera drasticamente il test di consistenza dei flussi e la ricostruzione di modelli metabolici su larga scala mediante l'uso di informazioni strutturali per ridurre i tempi di calcolo fino a 20 volte rispetto a FASTCC.
Questo studio presenta un modello computazionale che dimostra come l'adattamento delle cellule tumorali all'ambiente osseo riduca la loro dipendenza dai fattori di crescita derivati dall'osso, rendendo le terapie che inibiscono il riassorbimento osseo efficaci solo per i tumori non adattati e meno efficaci per quelli già adattati.
Il documento presenta BIRDkiss, un nuovo modello open-source in R che integra budget energetici semplificati e tossicocinetica per valutare in modo meccanicistico e statisticamente robusto l'impatto di pesticidi singoli e miscele sulla riproduzione degli uccelli, evidenziando come la disponibilità alimentare moduli e amplifichi gli effetti dello stress chimico.
Il paper presenta mCanonicalTockySeq, un framework che integra la storia di segnalazione cellulare con l'RNA-seq a singola cellula per ricostruire spazi di stato temporali e di sviluppo, permettendo di analizzare la progressione dei linfociti T e di proiettare dati umani su un riferimento murino per correlare l'età cronologica con la maturazione cellulare.
Il paper presenta MICA, un algoritmo innovativo che rileva i punti di cambiamento nei sistemi dinamici simulabili minimizzando la discrepanza tra modelli e dati osservati, integrando segmentazione binaria e algoritmi genetici per stimare simultaneamente tempi di transizione e parametri globali o specifici.
Il paper presenta GeNETop, un metodo innovativo che integra analisi di variabilità dei flussi, metriche di topologia di rete e dati trascrittomici per generare modelli metabolici specifici del contesto, compatibili con simulazioni dinamiche e in grado di superare i limiti degli approcci esistenti basati su stati stazionari.
Gli autori hanno sviluppato un framework di machine learning interpretabile integrato con la biologia dei sistemi che, superando i limiti del disequilibrio di linkage, decodifica le relazioni genotipo-fenotipo in lievito identificando geni causali e nuove funzioni biologiche con maggiore precisione rispetto ai metodi convenzionali.