234 Arbeiten
Die Bioengineering verbindet Ingenieurskunst mit biologischen Systemen, um Lösungen für die Medizin und Technik zu entwickeln. Von der Herstellung künstlicher Organe bis hin zu maßgeschneiderten Therapien verändert dieses Feld, wie wir Krankheiten verstehen und behandeln. Auf Gist.Science machen wir die neuesten Erkenntnisse aus diesem dynamischen Bereich für jeden zugänglich, ohne dabei die wissenschaftliche Tiefe zu vernachlässigen.
Unsere Redaktion verarbeitet jeden neuen Preprint, der auf bioRxiv in dieser Kategorie erscheint. Für jeden Beitrag erstellen wir sowohl eine verständliche Zusammenfassung für ein breites Publikum als auch einen detaillierten technischen Überblick für Fachleute. So erhalten Sie einen direkten Einblick in die Forschung, lange bevor die Studien offiziell veröffentlicht sind.
Im Folgenden finden Sie die aktuellsten Papers aus dem Bereich Bioengineering, die wir kürzlich für Sie aufbereitet haben.
Diese Studie optimiert das automatisierte ZEG-System zur schnellen DNA-Extraktion aus lebenden Zebrafisch-Embryonen durch die Anpassung des Chip-Designs und der Vibrationsparameter, wodurch die DNA-Ausbeute um über 50 % gesteigert und gleichzeitig eine Überlebensrate von mehr als 95 % bei den Embryonen erreicht wird.
Die Arbeit stellt das modulare PAO-Framework vor, das geometrie-gesteuerte Plasmonik, KI-gestützte kinetische Inferenz und Organoid-Validierung integriert, um durch einen aktiven Lern- und Optimierungszyklus die Leistungsfähigkeit und Zuverlässigkeit neuartiger Biosensoren zu maximieren.
Diese Studie zeigt, dass die Wahl des geometrischen Modells (von 2D-Projektionen bis zu vollständigen 3D-Rekonstruktionen) die statistische Analyse der Venenmorphologie und die daraus abgeleiteten hämodynamischen Risikofaktoren für tiefe Beinvenenthrombosen erheblich beeinflusst, wobei vereinfachte Modelle die Bereiche mit niedrigem Wandschubspannungsniveau im Vergleich zu patientenspezifischen 3D-Modellen systematisch überschätzen.
Die Studie stellt ein neuartiges Deep-Learning-Modell namens RDBCycleGAN-CBAM vor, das durch die Integration von residualen dichten Blöcken und CBAM-Aufmerksamkeitsmodulen in einen CycleGAN-Rahmen unpaarige CT-Bilder mit einer Viertel-Dosis effektiv entrauscht und dabei signifikant höhere Bildqualitätsmetriken (PSNR und SSIM) sowie den Erhalt diagnostischer Details im Vergleich zu bestehenden Methoden erreicht.
Diese Studie stellt einen neuen therapeutischen Ansatz vor, bei dem bispezifische Antikörper („Shedder") die rekrutierte Protease ADAM10 nutzen, um extrazelluläre Membranproteine wie LAG-3 selektiv durch Ektodomänen-Absprengung von der Zelloberfläche zu entfernen, ohne auf lysosomalen Abbau angewiesen zu sein.
Die Studie stellt MicrowellMicrofluidicsMiner (M3) vor, ein Framework, das autonome Large-Language-Model-Agenten nutzt, um aus unstrukturierter wissenschaftlicher Literatur eine kuratierte Datenbank für Mikrowellen-Mikrofluidik-Parameter zu extrahieren und dabei die Genauigkeit im Vergleich zu herkömmlichen Modellen signifikant verbessert.
Die Studie stellt eine mikrofuidische Agarose-Mikrotröpfchen-Plattform vor, die DNA-kodierte Bibliotheken (DEL) ermöglicht, um Wirkstoffkandidaten direkt in einem zellulären Kontext und unter nahezu nativen Bedingungen, insbesondere für chromatin-assoziierte Zielproteine wie BRD4, zu screenen.
In dieser Studie wurde eine zwitterionische Polymerbeschichtung (PSB) entwickelt, die es ermöglicht, über einen Zeitraum von vier Wochen hinweg sowohl stabile elektrochemische Dopamin-Sensoren als auch zuverlässige elektrophysiologische Aufzeichnungen bei frei beweglichen Mäusen durchzuführen, indem sie Biofouling verhindert und die Stabilität der Referenzelektroden sicherstellt.
Das Paper stellt SLEEC vor, ein halbüberwachtes Lernframework, das mittels einer MSA-basierten Datenvermehrungsmethode nicht nur den SOTA-Standard für die Vorhersage von EC-Nummern erreicht, sondern auch interpretierbare Rest-Level-Annotationen liefert und robust gegenüber gängigen Sequenzmodifikationen in der Proteinengineering ist.
Diese Arbeit präsentiert eine KI-gestützte Pipeline auf Basis der holo-tomographischen Durchflusszytometrie und Fraktalanalyse, mit der die gleichzeitige Ausprägung und Schwere verschiedener morphologischer Phänotypen in vakuolisierten Zellen durch einen interpretierbaren 7-stelligen Klassifizierungscode erfasst werden kann.