1018 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.
Das Papier stellt *repare* vor, ein Open-Source-Softwaretool, das durch iteratives Sampling und Pruning automatisch antike Stammbäume aus paarweisen Verwandtschaftsbeziehungen rekonstruiert und somit eine flexible, fehlertolerante Alternative zur manuellen Rekonstruktion bietet, die Benutzerbeschränkungen und Hilfsdaten einbeziehen kann.
Dieses Paper präsentiert ein Deep-Learning-Framework, das Positive-Unlabeled-Learning nutzt, um die Identifizierbarkeit von MS2-Spektren kleiner Moleküle aus deren MS1-Kontext und Akquisitionsparametern vorherzusagen, wodurch die Herausforderung fehlender negativer Labels zur Steuerung von Akquisitionsentscheidungen und zur Verbesserung der Metabolitenidentifizierung effektiv überwunden wird.
Diese Studie zeigt auf, dass polare marine mikrobielle Gemeinschaften ein bisher übersehenes Reservoir für diverse, kaltaktive Polyester-abbauende Enzyme und vollständige Stoffwechselwege darstellen und somit vielversprechende Kandidaten für die biologische Sanierung von Kunststoffen bei niedrigen Temperaturen bieten.
Diese Studie schlägt ein hybrides Stacking-Bagging-Ensemble-Framework vor, das klinische Daten, Genexpressionsdaten und Kopienzahlvariationsdaten integriert, um im Vergleich zu unimodalen und konventionellen Stacking-Modellen eine überlegene Robustheit und Genauigkeit (ROC AUC von 0,9355) bei der Brustkrebsprognose zu erreichen.
Dieses Paper stellt Boltz-sample vor, eine systematische Strategie für das Boltz-2-Modell, die das Konformationssampling durch eine gleichmäßige Skalierung der latenten Paarrepräsentationen moduliert und dadurch die effiziente sowie transparente Rekonstruktion diverser alternativer Proteinzustände und Ensemble-Abdeckung ermöglicht, ohne auf heuristische Eingabestörungen angewiesen zu sein.
Dieses Kapitel bietet einen umfassenden Leitfaden in R zur Analyse klinischer Metabolomik- und Proteomikdaten und deckt wesentliche Schritte von der Qualitätskontrolle und differenziellen Expression bis hin zur Multi-Omics-Integration und netzwerkbasierter Anreicherungsanalyse für die Biomarker-Entdeckung und das systembiologische Verständnis von Krankheiten ab.
Das Paper stellt In-Pocket vor, eine quantenmechanische Optimierungsmethode, die durch experimentelle Daten beeinflusst wird und die chemische Validierung sowie die strukturelle Zuverlässigkeit von Protein-Ligand-Komplexen verbessert, insbesondere in Fällen mit unzureichender experimenteller Auflösung oder ambivalenter Interaktionschemie.
Diese Arbeit präsentiert einen neuen heuristischen Algorithmus für das NP-schwere Problem der minimalen Flusszerlegung, der Gleichungslösungsmechanismen erweitert, um alle Graphengleichungen gemeinsam zu modellieren, wodurch sichere Zusammenführungsoperationen ermöglicht werden, die komplexe Graphen iterativ vereinfachen, um signifikant schneller als ganzzahlige lineare Programmierungsformulierungen nahezu optimale Lösungen zu erzielen.
Diese Arbeit präsentiert eine manuell kuratierte Datenbank sowie eine computergestützte Pipeline, die eine präzise, skalierbare Annotation von halogenierenden Enzymen über genomische und metagenomische Daten hinweg ermöglichen und somit die Entdeckung der ungenutzten Reservoir natürlicher mikrobieller halogenierter Naturstoffe ermöglicht.
Diese Arbeit präsentiert Ultra-Content Screening (UCS), eine neuartige hochdimensionale Einzelzell-Proteomik-Methode, die zyklische Immunfärbung nutzt, um bis zu 40 Marker in 100.000 Blutzellen zu analysieren, und demonstriert deren Potenzial, krankheitsspezifische Immunprofile bei akuter myeloischer Leukämie für eine verbesserte Diagnostik und personalisierte Medizin aufzuzeigen.