💻 Category

bioinformatics

1012 Arbeiten

Die Bioinformatik verbindet Biologie und Informatik, um riesige Mengen an biologischen Daten verständlich zu machen. Statt sich nur auf einzelne Experimente zu konzentrieren, nutzen Forscher hier computergestützte Methoden, um Muster im Leben selbst zu entschlüsseln, von der DNA bis zu komplexen Krankheitsverläufen. Diese Schnittstelle ermöglicht es, die Sprache des Lebens in Zahlen und Algorithmen zu übersetzen und neue Erkenntnisse schnell zu gewinnen.

Auf Gist.Science durchsuchen wir täglich die neuesten Vorab-Veröffentlichungen auf bioRxiv in diesem Bereich. Für jedes neu eingereichte Preprint erstellen wir nicht nur eine detaillierte technische Zusammenfassung für Fachleute, sondern auch eine einfache Erklärung in Alltagssprache, damit jeder den Kern der Forschung verstehen kann. So wird komplexes Wissen für ein breites Publikum zugänglich, ohne dass wichtige Details verloren gehen.

Unten finden Sie die aktuellsten Artikel aus dem Bereich der Bioinformatik, die wir kürzlich für Sie aufbereitet haben.

💻 bioinformatics

OpenAntigens: a structure-aware database for antigen construct design across the human cell-surface and secreted proteome

OpenAntigens ist eine kostenlose Datenbank ohne Login, die das Design von Antigen-Konstrukten für das humane sezernierte und zelloberflächengebundene Proteom optimiert, indem sie diverse strukturelle, topologische und vergleichende Daten in einen einheitlichen, interaktiven Workflow integriert, um reproduzierbare und auf Kreuzreaktivität ausgerichtete Designvorschläge zu generieren.

Teixeira, A. A. R., Zhu, H., Kothiwal, D., Cao, R., Mills, A.2026-09-18
💻 bioinformatics

Incomplete references leave bulk deconvolution targets non-identifiable, but identification has a computable precision price

Dieses Paper argumentiert, dass unvollständige Referenzprofile die Ziele der Bulk-Dekonvolution nicht bloß schwer schätzbar, sondern nicht identifizierbar machen, indem es zeigt, dass Standard-Punktschätzungen oft eine mangelnde Abdeckung aufweisen und biologische Schlussfolgerungen umkehren können, während es gleichzeitig ein neues Framework vorschlägt, das zertifizierte Präzision, Abdeckung und Metriken für Fehlzertifizierung gegenüber einfacher Schrumpfung priorisiert.

Jiang, H., Gao, F., Liu, P., Wu, Y., Jie, Y., Li, Y., Jiang, Y.2026-09-18
💻 bioinformatics

A Unified 3D Generative Model for Synthesizable Structure-Based Drug Design

Das Papier stellt LDDM vor, ein vereinheitlichtes 3D-generatives Modell, das die Herausforderungen der synthetischen Zugänglichkeit in der Wirkstoffforschung überwindet, indem es das schnelle Design neuartiger, zielspezifischer niedermolekularer Verbindungen und Peptide ermöglicht, welche experimentell validiert wurden, um eine hohe Bindungsaffinität und strukturelle Genauigkeit über fünf Protein-Targets hinweg zu erreichen.

Igashov, I., Schneuing, A., Dobbelstein, A. W., Morozova, I., Neeser, R. M., Zielinski, K., Abriata, L. A., Petruzzella (…)2026-09-18
💻 bioinformatics

Pretrained gene representations transfer mean expression more broadly than spatial patterns in virtual spatial transcriptomics

Diese Studie zeigt, dass vortrainierte Genrepräsentationen in der virtuellen räumlichen Transkriptomik primär die Vorhersage der mittleren Genexpression über Gewebe hinweg verbessern, anstatt deren räumliche Variation, was offenlegt, dass die genübergreifende Generalisierung eher durch einen breiten Expressionstransfer als durch die Wiederherstellung spezifischer räumlicher Muster getrieben wird.

Chen, T., Hicks, S. C.2026-09-18
💻 bioinformatics

Interrogating contrastive learning embeddings for structure-based virtual screening: a case study on DrugCLIP

Diese Arbeit evaluiert systematisch die durch das kontrastive Lernen gewonnenen Embeddings von DrugCLIP für das struktur-basierte virtuelle Screening und zeigt auf, dass während seine Pocket-Embeddings eine schnelle und robuste Suche nach struktureller Ähnlichkeit ermöglichen und seine Ligand-Embeddings taschenbewusste chemische Muster mit starker Generalisierung auf ungesehene Targets erfassen, die Leistung signifikant durch konformative Variationen und Ungenauigkeiten in den vorhergesagten Proteintaschen begrenzt wird.

Sanchez Utges, J., Jones, D. T., Orengo, C.2026-09-18
💻 bioinformatics

Targeted ortholog search in unannotated genome assemblies with fDOG-Assembly

Das Papier stellt fDOG-Assembly vor, ein neuartiges Werkzeug, das gezielte, auf Merkmalsarchitektur basierende Orthologensuche direkt in unannotierten Genom-Assemblierungen ermöglicht, wodurch die Einschränkungen traditioneller Methoden, die auf vorannotierten Proteomen beruhen, überwunden werden und neue biologische Erkenntnisse, wie etwa das weit verbreitete Potenzial zur β\beta-Lactam-Biosynthese bei Springschwänzen, aufgedeckt werden.

Muelbaier, H., Arthen, F., Tran, V., Schaefer, I., Balint, M., Ebersberger, I.2026-09-16
💻 bioinformatics

Structured cross-omics interaction discovery with a triple-graph model

Das Paper stellt TriGer vor, ein Triple-Graph-Framework, das die Einschränkungen fragmentierter paarweiser Assoziationen in Multi-Omics-Daten überwindet, indem es interpretierbare, koordinierte Viele-zu-Viele-Module über molekulare Schichten hinweg identifiziert und dessen Effektivität bei der Wiederherstellung strukturierter Signale in Simulationen sowie der Aufdeckung krankheitsspezifischer biologischer Muster bei chronisch entzündlicher Darmerkrankung und kolorektalem Karzinom demonstriert.

YU, J., Lin, H., Chen, S.2026-09-16
💻 bioinformatics

Flow Orchestrated Regulatory Genomics Engine (FORGE): A Configurable Nextflow Pipeline for End-to-End snMultiome Analysis

FORGE ist eine konfigurierbare, containerisierte Nextflow-Pipeline, die die End-to-End-Analyse von Single-Nucleus-Multiom-Daten automatisiert, indem sie Genexpressions- und Chromatinzugänglichkeitsdaten für die Inferenz regulatorischer Netzwerke und differenzielle Tests integriert und dadurch die Skalierbarkeit, Reproduzierbarkeit und biologische Interpretation über diverse Datensätze hinweg verbessert.

Solano, L. E., Rahimzadeh, N., Shi, Z., Swarup, V.2026-09-16