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.
Das Paper stellt MISSTE vor, ein modulares Multiskalen-Simulationsframework, das zelluläre Entscheidungsprozesse, Zell-Zell-Interaktionen und räumliche Mikroumgebungen integriert, um die Mechanismen von Gewebeökosystemen zu entschlüsseln und durch Anwendung auf CAR-T-Therapien in soliden Tumoren optimierte, sequenzielle Behandlungsstrategien zu entwickeln.
Das Paper stellt ProteomeScan vor, ein Open-Source-Toolkit, das Cloud-Computing für das genomweite Docking nutzt, um neue Protein-Ligand-Interaktionen zu identifizieren und Zielstrukturen für Wirkstoffdesigns zu validieren.
Die Studie stellt scDIVIDE vor, ein auf neuronalen stochastischen Differentialgleichungen basierendes Framework, das mithilfe der Kopplung von Geburts- und Diffusionskoeffizienten Zellteilungsrate und Partitionierungsrauschen aus zeitlichen Einzelzell-Transkriptomdaten ableitet und damit die Dynamik proliferierender Zellen präziser modelliert als bestehende Methoden.
MICRON ist ein segmentation-freies, vollautomatisiertes Werkzeug auf Basis des Multiple-Instance-Learnings, das räumliche Immummikroumgebungen aus bildgebenden Proteomikdaten identifiziert, um präzisere prognostische und diagnostische Vorhersagen zu ermöglichen und dabei in einer Fallstudie zu Hirntumoren koordinierte Zell-Zell-Kommunikation aufdeckt.
Die Studie stellt DigitalBrain vor, ein umfassendes Atlas- und KI-Framework, das 16,35 Millionen Einzelzell-Transkriptome des menschlichen Gehirns harmonisiert, um eine integrierte biologische Modellierung über verschiedene Maßstäbe hinweg zu ermöglichen und zelltypspezifische Alterungsmechanismen sowie eine hierarchische funktionelle Organisation des Gehirns aufzudecken.
Die Studie stellt FlyPredictome vor, eine offene Datenbank, die auf 1,5 Millionen AlphaFold-Multimer-Vorhersagen basiert und ein strukturelles Atlas von Protein-Protein-Interaktionen in Drosophila mit atomarer Auflösung bereitstellt, um funktionelle Zusammenhänge und Krankheitsmutationen besser zu verstehen.
Das R-Paket trackDJ bietet eine benutzerfreundliche und reproduzierbare Alternative zu interaktiven Genom-Browsern, indem es durch hohe Abstraktion und sinnvolle Voreinstellungen die einfache Erstellung publication-fähiger Abbildungen für die Visualisierung epigenomischer Daten ermöglicht.
Die Studie stellt LinkLlama vor, einen feinabgestimmten Meta Llama 3-Modell, das durch die Kombination von Sprachgenerierung mit geometrischen und physikochemischen Randbedingungen chemisch valide und strukturell robuste Linker für die fragmentbasierte Wirkstoffentwicklung erzeugt und dabei die Erfolgsrate im Vergleich zu reinen 3D-Generierungsmodellen signifikant steigert.
Die 2026 aktualisierte Version des DRSC Integrative Ortholog Prediction Tool (DIOPT) erweitert durch die Integration neuer Algorithmen, aktualisierter Genomdaten, einer benutzerfreundlicheren Weboberfläche und einer spezialisierten Version für Arthropoden die Möglichkeiten zur zuverlässigen Vorhersage von Orthologen über verschiedene Modellorganismen hinweg und unterstützt so die funktionelle Genomforschung.
Die Studie stellt DeepUMQA-Global vor, ein einzelnes Deep-Learning-Modell zur hochpräzisen Schätzung der Faltungsgenauigkeit von Proteinstrukturen, das nicht nur die Selbstbewertungsscores von AlphaFold3 und alle anderen CASP16-Methoden übertrifft, sondern auch die Fähigkeit besitzt, alternative Konformationszustände zuverlässig zu unterscheiden.