1235 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.
Durch die Integration klinischer und molekularer Daten identifizierte diese Studie *LRRN4CL* als einen neuen Marker für eine beeinträchtigte myokardiale Erholung nach einer LVAD-Implantation, wobei die funktionellen Defizite auf eine mitochondriale und kontraktile Dysfunktion der Kardiomyozyten zurückgeführt wurden.
Diese Studie untersucht die Beziehung zwischen der Darmmikrobiota und verschiedenen Krankheiten mithilfe von Machine-Learning-Verfahren und zeigt, dass baumbasierte Ensemble-Methoden, insbesondere XGBoost, eine hohe Genauigkeit bei der Klassifizierung von Proben aus verschiedenen geografischen und gesundheitlichen Kategorien erzielen.
Diese Studie untersucht die Übertragbarkeit des menschlichen Retina-Fundamentmodells RETFound auf Ratten-OCT-Daten zur Altersbestimmung und zeigt, dass das Modell zwar wissenschaftlich nutzbare Ergebnisse liefert, in datenarmen Szenarien der Weltraumbiologie jedoch von starken CNN-Baselines übertroffen werden kann.
AlphaUnfold ist eine automatisierte Pipeline, die AlphaFold3-Modelle mittels kurzzeitiger Hochdruck-Molekulardynamik auf ihre strukturelle Stabilität testet und dabei zeigt, dass geringere Vorhersagekonfidenz (pLDDT) mit einer höheren strukturellen Instabilität korreliert.
Die Autoren argumentieren, dass neue Benchmarks erforderlich sind, um den Nutzen von KI-Modellen für die wissenschaftliche Entdeckung zu bewerten, und stellen dazu das Evaluierungsframework PerturbHD vor.
Die Studie stellt COSMOS+ vor, einen interpretierbaren Ansatz, der datengesteuerte Multi-Omics-Faktorenanalyse mit mechanistischem Vorwissen kombiniert, um kausale Signalwege in komplexen Krankheitsmodellen wie der Brustkrebsresistenz aufzudecken und handlungsrelevante Hypothesen zu generieren.
Die Studie zeigt, dass ein auf Deep Learning basierender linearer Transformer-Modellansatz die Selektionsdrücke auf Proteinstellen mit einem Bruchteil der Rechenkosten klassischer likelihood-basierter Methoden identifizieren und diese übertreffen kann, sofern er mit repräsentativen Trainingsdaten gefüttert wird.
Die Studie stellt einen de novo Algorithmus vor, der Oxford Nanopore-Amplicon-Lesefolgen verwendet, um ohne vorherige Kenntnis der Zielgene hochkonfidente Allele und Diplotypen (einschließlich Kopienzahlvariationen) für komplexe Gene wie CYP2D6 und HLA neu zu rekonstruieren.
Das vorgestellte KI-Framework H2O überbrückt die Lücke zwischen der routinemäßigen H&E-Histopathologie und der räumlichen Multi-Omics-Profilierung, indem es mithilfe von Vision Transformern und Large Language Models direkt aus histologischen Bildern hochpräzise räumliche Transkriptom- und Proteomlandschaften ableitet und so eine skalierbare, molekulare Gewebecharakterisierung ohne teure Sequenzierung ermöglicht.
Das Paper stellt Verticall vor, ein schnelles und robustes Open-Source-Tool zur Identifizierung rekombinierter Regionen und zur Erzeugung rekombinationsfreier Phylogenien in großen bakteriellen Genomdatensätzen, das in Bezug auf Recheneffizienz und phylogenetische Genauigkeit etablierte Methoden wie Gubbins und ClonalFrameML übertrifft.