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.
Die Studie stellt TOB-QMC vor, eine quartet-basierte Methode zur schnellen und statistisch konsistenten Rekonstruktion von „Tree of Blobs" unter dem Netzwerk-Multispezies-Koaleszenz-Modell, die im Vergleich zum bisherigen Standard TINNiK eine deutlich bessere Skalierbarkeit auf große Datensätze bei gleicher oder höherer Genauigkeit bietet.
MANTIS ist ein statistisches Framework, das räumliche Metabolomik- und Transkriptomik-Daten integriert, um durch rigorose Hypothesentests und Konfundierer-Korrektur spezifische räumliche Muster sowie Gen-Metabolit-Beziehungen zu identifizieren.
Die Studie stellt DETANGO vor, ein tiefes Lernframework, das mithilfe von Protein-Sprachmodellen die Effekte von Mutationen auf Proteinstabilität und -funktion entwirrt, um funktionell kritische Residuen zu identifizieren und rationale Proteinengineering-Ansätze zu unterstützen.
Das Paper stellt SpaMOAL vor, eine graphbasierte kontrastive Lernmethode, die räumliche Koordinaten, histologische Bildmerkmale und molekulare Profile integriert, um die Identifizierung räumlicher Gewebedomänen in Multi-Omics-Daten präziser zu ermöglichen als bestehende Ansätze.
Die Studie stellt ein auf optimaler Transporttheorie basierendes Framework vor, das kontinuierliche Differenzierungs- und Migrationsdynamiken von CD8-T-Zellen während einer viralen Infektion rekonstruiert und dabei zeitlich aufgelöste Wanderungswellen sowie regulatorische Mechanismen für die Entstehung gewebespezifischer Gedächtniszellen aufdeckt.
Das Paper stellt keju vor, ein hierarchisches statistisches Modell zur präziseren Inferenz in Massively Parallel Reporter Assays (MPRAs), das durch die Berücksichtigung unterschiedlicher Unsicherheiten in DNA- und RNA-Zählungen sowie durch Konditionierung auf DNA-Daten eine deutlich höhere Sensitivität und eine robustere Kontrolle der falsch-positiven Raten im Vergleich zu bestehenden Methoden erreicht.
Diese Studie bewertet Sure Screening-Methoden als leistungsfähige, modellfreie Filteransätze zur Merkmalsselektion in hochdimensionalen Omics-Datensätzen und identifiziert BcorSIS als die effizienteste und genaueste Methode für Klassifikationsaufgaben, wie beispielsweise bei der Erforschung von Typ-1-Diabetes.
Diese Studie entwickelt und validiert mithilfe von KI-Modellen, insbesondere nicht-linearen Verfahren wie RNNs und Random Forests, neuartige Biomarker für die Alterungsresilienz bei nicht-menschlichen Primaten, die sich durch ihre hohe Vorhersagekraft für die Sterblichkeit auszeichnen und damit einen skalierbaren Rahmen für die Überwachung des biologischen Alterns in translationalen Modellen schaffen.
Diese Studie stellt einen neuartigen, systembiologischen Ansatz vor, der Transkriptomdaten (CMAP) zur Generierung von TLR5-Aktivierungsmolekülen nutzt, die anschließend durch liganden- und strukturbasierte Methoden priorisiert und experimentell validiert wurden, um die hohe Ausfallrate in der herkömmlichen Wirkstoffentwicklung zu verringern.
Das Paper stellt GAIA vor, ein informationsgeometrisches Framework, das durch die Nutzung des Fisher-Rao-Abstands auf einem statistischen Mannigfaltigkeit die diskreten und kontinuierlichen Aspekte von Genexpressionsdaten in der Einzelzell- und räumlichen Transkriptomik präziser und robuster analysiert als herkömmliche euklidische Methoden.