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 das Deep-Learning-Modell PALM vor, das mithilfe von Transfer-Learning mit Protein-Sprachmodell-Embeddings die Peptidaggregation vorhersagt und zeigt, dass dieser Ansatz bei kleinen Datensätzen effektiv ist, für die Vorhersage einzelner Mutationen jedoch größere Datenmengen erfordert.
Die Studie stellt Floco vor, eine Methode zur Bestimmung der Kopienzahlvariation mittels Netzwerkfluss-Formulierung auf Genomgraphen, die im Vergleich zu reinen Read-Depth-Schätzungen die Genauigkeit der Vorhersagen um bis zu 43 % steigert.
Die Studie stellt Bronko vor, ein ultraschnelles, ausrichtungsloses Framework in Rust zur effizienten Erkennung von viralen Genomvariationen, das durch innovative K-Mer-Methoden und Streaming-Analysen massive Sequenzierungsdaten auf bescheidener Hardware verarbeitet und dabei höhere Präzision sowie Geschwindigkeit als herkömmliche Tools bietet.
Die Studie stellt eine browserbasierte, genzentrierte Plattform vor, die genomweite Methylom- und Transkriptomdaten integriert, um tumor-spezifische DNA-Methylierungsbiomarker zu identifizieren, die durch Hintergrundgewebe weniger beeinflusst werden und sich erfolgreich mittels MSRE-qPCR für die Diagnose verschiedener Krebsarten validieren ließen.
Das Paper stellt CoMR vor, eine integrative Pipeline zur Rekonstruktion des mitochondrialen Proteoms bei Eukaryoten, die durch die Kombination von Zielvorhersagen, Homologiesuchen und phylogenetischen Analysen die Genauigkeit gegenüber reinen Targeting-Prädiktoren signifikant verbessert.
Das Paper stellt DemuxHMM vor, ein kombiniertes experimentelles und rechnerisches Framework, das durch die Nutzung von Rekombinations-Barcodes und ein Hidden-Markov-Modell eine skalierbare, individualaufgelöste Einzelzell-RNA-Sequenzierung über große Entwicklungszeitreihen hinweg ermöglicht.
Das Papier stellt RSTG vor, einen auf Beta-Divergenz basierenden Autoencoder, der robuste und hochwertige synthetische räumliche Transkriptomdaten generiert, indem er die zugrunde liegende Datenverteilung approximiert und dabei auch bei Vorhandensein von Rauschen und Ausreißern eine hohe Stabilität bewahrt.
Das Paper stellt OligoGraph vor, einen neuartigen graphbasierten Deep-Learning-Ansatz zur Vorhersage der siRNA-Wirksamkeit, der durch die Nutzung von RiNALMo-Embeddings und Selbstüberwachung die Generalisierungsfähigkeit bestehender Modelle übertrifft und sowohl bei 19- als auch bei 21-Nukleotid-siRNAs auf verschiedenen Datensätzen state-of-the-art Ergebnisse erzielt.
Die Studie identifiziert kondensatgetriebene Transkriptionsprogramme, die durch intrinsisch disordnierte Proteine wie TOPBP1 und CHERP vermittelt werden, als gemeinsame Verwundbarkeit und therapeutisches Ziel bei Ösophagus- und Magenkarzinomen.
Diese Studie entwickelt einen integrierten Ähnlichkeitswert (ISS), der verschiedene Expressionsähnlichkeitsmaße mithilfe biologischer Funktionsannotationen kombiniert, um die Vorhersage ähnlicher Genpaare und die funktionelle Klassifizierung unklassifizierter Hefegene zu verbessern.