1202 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 jazzPanda vor, ein R-Paket, das einen hybriden Ansatz mit räumlicher Binning-Strategie nutzt, um spezifischere und räumlich korreliertere Marker-Gene in bildbasierten räumlichen Transkriptomik-Daten zu identifizieren als herkömmliche Methoden.
Die Autoren stellen die Open-Source-Tools Pioneer und Altimeter vor, die durch die explizite Modellierung von Isolationseffekten und eine scan-zentrierte Analyse die Identifizierung und Quantifizierung von DIA-Proteomikdaten mit schmalen Isolationsfenstern deutlich beschleunigen und dabei hohe Zuverlässigkeit gewährleisten.
Das Paper stellt edgePython vor, eine Python-Portierung des weit verbreiteten edgeR-Pakets, die durch die Integration in das Python-Ökosystem und die Einführung eines negativen Binomial-Gamma-Mischmodells sowie einer empirischen Bayes-Dispersionsschrumpfung die differenzielle Analyse von Zähl-Daten, insbesondere im Bereich der Einzelzell-Genomik, erweitert.
Die Studie stellt NanoHIVSeq vor, eine UMI-freie und referenzunabhängige Bioinformatik-Pipeline, die mithilfe von Oxford Nanopore-Duplex-Sequenzierung hochpräzise, vollständige HIV-Env-Varianten aus Bulk-PCR-Produkten gewinnt und dabei die aufwendige Einzelgenom-Amplifikation überflüssig macht.
Diese Studie bewertet die Fähigkeit verschiedener Large Language Models, die therapeutische Wirksamkeit von Antisense-Oligonukleotiden vorherzusagen, und zeigt, dass Prompt-Engineering mit DNA-Sequenzen und Zielgeninformationen die Leistung von SMILES-basierten Feinabstimmungen übertrifft, wobei GPT-3.5-Turbo die besten Ergebnisse erzielte.
Das Paper stellt ModCRElib vor, ein eigenständiges Softwarepaket, das strukturelle Informationen nutzt, um Transkriptionsfaktor-DNA-Interaktionen zu modellieren, Bindungsaffinitäten vorherzusagen und regulatorische Komplexe zu analysieren.
Die Studie stellt RIMA vor, eine Methode zur rigorosen Abstimmung von Einzelzell-Atlanten verschiedener Spezies, die es ermöglicht, konservative Entwicklungsprinzipien zu identifizieren und durch quantitative Vergleiche biologische Modelle zu verbessern.
Diese Arbeit stellt eine modellgestützte virtuelle Screening-Pipeline (MGVS) vor, die generative struktur-basierte Wirkstoffdesign-Modelle mit effizienten chemischen Ähnlichkeitssuchen kombiniert, um synthetisierbare Analoga mit vergleichbarer oder besserer Bindungswirkung zu identifizieren und dabei die Screening-Effizienz im Vergleich zu herkömmlichen Methoden um mindestens das 25-fache zu steigern.
Die Studie stellt UnivAIRRse vor, ein einheitliches hierarchisches Framework, das Simulatoren für adaptive Immunrezeptor-Repertoires in fünf operationellen Ebenen strukturiert, um deren Vergleichbarkeit zu ermöglichen, bestehende Limitierungen zu identifizieren und die Grundlage für zukünftige digitale Zwillinge der Immunologie zu schaffen.
Diese Arbeit stellt ein neuartiges graphbasiertes Framework vor, das strukturierte statistische Verteilungen in Knoten und Kanten von Omics-Daten integriert, um sowohl die Vorhersagegenauigkeit klinischer Ergebnisse bei verschiedenen Krebsarten zu gewährleisten als auch die biologische Interpretierbarkeit durch die Identifizierung regulatorischer Module zu verbessern.