1250 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.
Diese Studie nutzt In-silico-Analysen, um gemeinsame molekulare Zielstrukturen, regulatorische Netzwerke und Signalwege zu identifizieren, die bei der Entstehung von Posttraumatischer Belastungsstörung, Schizophrenie und Bipolarer Störung eine Rolle spielen und auf Verbindungen zu Autoimmunentzündungen sowie Infektionskrankheiten hinweisen.
Diese Studie stellt ein umfassendes Benchmarking-Framework für die lokusspezifische Quantifizierung transponierbarer Elemente in scRNA-seq-Daten vor, das die grundlegenden Grenzen der Methode aufzeigt und Best Practices wie den Fokus auf ältere Insertionen sowie die Aggregation junger Transposons auf Subfamilie-Ebene empfiehlt.
Das Paper stellt SlytheRINs vor, ein interaktives Werkzeug zur vergleichenden Analyse von Protein-Ensembles mittels Residuen-Interaktionsnetzwerken und Graphparametern, das die dynamischen strukturellen Veränderungen und Funktionsverluste bei pathogenen Varianten wie der G188R-Mutation des menschlichen Glucose-6-Phosphatase katalytischen Untereinheit aufdeckt.
Die Studie zeigt mittels Simulationen, dass die Hybridisierung bei der Wiederansiedlung karibischer Korallen zwar ein geringes Risiko für genetische Verdrängung birgt, aber nur ein sehr begrenztes Potenzial für eine adaptive Introgression bietet, was die Bedeutung von Simulationen für langfristige ökologische und evolutionäre Erkenntnisse unterstreicht.
Die Studie stellt DeepAllele vor, ein tiefes Lernmodell, das mithilfe von paarweisen allelspezifischen Eingabedaten aus kontrollierten genetischen Kreuzungen kausale regulatorische Motive identifiziert und dabei die biologische Plausibilität im Vergleich zu bestehenden Methoden signifikant verbessert.
Die Studie stellt ein probabilistisches Inferenzframework vor, das auf Maximum-Likelihood-Schätzung und variationeller Bayes-Inferenz basiert, um aus zeitlich aufgelösten Sequenzierungsdaten von Mutanten-Pools präzise Wachstumsraten und deren Unsicherheiten zu bestimmen und dabei beliebige Wachstumsmodelle (wie exponentiell, logistisch oder Gompertz) zu integrieren.
Die Studie stellt EGGS vor, ein in C geschriebenes Werkzeug zur Generalisierung empirischer Genotypen mit fehlenden Daten, das zudem verschiedene Simulationen (wie Deaminierung und Sequenzfehler) durchführt und Konvertierungen zwischen gängigen Genomdatenformaten ermöglicht.
CycleGRN ist ein neuartiges Framework, das aus zyklischen Flussdynamiken in Einzelzell-RNA-Sequenzierungsdaten Gene-Regulationsnetzwerke ableitet, indem es Zellzyklus-Genexpression als invariante Maßzahl stochastischer Differentialgleichungen behandelt und zeitlich verzögerte Korrelationen auf einem flussausgerichteten Graphen nutzt, um regulatorische Wechselwirkungen ohne zeitliche Binning oder Spleiß-Dynamik zu rekonstruieren.
Das Paper stellt ProChoreo vor, ein generatives Deep-Learning-Framework, das durch die Integration von Konformationsensembles aus Molekulardynamik-Simulationen neuartige Proteinbinder entwirft, die dynamische strukturelle Informationen für eine verbesserte Bindung an Rezeptoren nutzen.
Das MOSAIC-Framework stellt eine spektrale Methode zur integrativen Charakterisierung von Phänotypen auf Populationsebene dar, die durch die Erzeugung einer gemeinsamen Einbettung von Merkmalen und Proben aus Single-Cell-Multi-Omics-Daten neue Einblicke in regulatorische Netzwerk-Umschaltungen, Patientensubtypen und klinische Vorhersagen ermöglicht.