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.
Cellects ist eine benutzerfreundliche, quelloffene Software zur automatisierten Quantifizierung von Wachstum, Bewegung und Morphologie aus 2D-Bilddaten, die über eine grafische Oberfläche und eine Python-API eine flexible Analyse sowie standardisierte Exporte für verschiedene biologische Systeme ermöglicht.
Die Studie stellt DeepEST vor, ein multimodales Deep-Learning-Framework, das Genexpressionsdaten, Genlokalisierung und Proteinstrukturen integriert, um die Funktion bakterieller Proteine präziser vorherzusagen als bestehende Methoden.
Diese Studie nutzt Proteinstrukturvorhersagen, um vier wiederkehrende strukturelle Merkmale von ADAM10-Substraten zu identifizieren und ein darauf basierendes Klassifizierungsframework zu entwickeln, das die Vorhersage von Spaltstellen ohne direkte experimentelle Validierung ermöglicht.
Diese Studie stellt den ersten systematischen Benchmarking-Datensatz für die Anwendung der hochauflösenden Stereo-seq-Spatial-Transkriptomik auf verschiedene Stammzell-abgeleitete Organoid-Modelle vor, einschließlich der Optimierung des Assays, der Bewertung der RNA-Erfassungseffizienz im Vergleich zu *in-vivo*-Geweben und der Entwicklung einer maßgeschneiderten Analysemethode zur regionalen Charakterisierung.
Die Studie zeigt, dass die Vernachlässigung epistatischer Wechselwirkungen in konventionellen genomweiten Assoziationsstudien (GWAS) zu verzerrten Teststatistiken führen kann, die unter realistischen Bedingungen zu falsch positiven Ergebnissen führen.
Die Studie stellt STELAR-X vor, einen hochskalierbaren und statistisch konsistenten Algorithmus zur Rekonstruktion von Artbäumen unter dem multispezifischen Koaleszenzmodell, der durch neuartige Datenstrukturen und GPU-Nutzung Analysen von bis zu 100.000 Arten ermöglicht, die zuvor mit bestehenden Methoden wie ASTRAL nicht durchführbar waren.
Die Studie stellt BacTaxID vor, ein universelles, k-mer-basiertes Framework zur standardisierten bakteriellen Klassifizierung, das genomweite Verwandtschaftsverhältnisse in hierarchische Cluster übersetzt und dabei eine skalierbare, genusübergreifende Alternative zu herkömmlichen, referenzabhängigen Typisierungsmethoden bietet.
Die Arbeit stellt Protenix-v1 vor, das erste vollständig open-source Biomolekül-Strukturvorhersagemodell, das AlphaFold3 in puncto Genauigkeit übertrifft, durch Inference-Time-Scaling skalierbare Verbesserungen bietet und zusätzliche Funktionen wie RNA-MSA-Unterstützung sowie eine auf dem neuesten Datensatz trainierte Variante für die praktische Anwendung bereitstellt.
Die Studie zeigt, dass Entzündungen im Mundraum als selektiver Druck wirken, der das orale Mikrobiom von einer kohlenhydratverwertenden Kommensalen-Gemeinschaft hin zu entzündungsfördernden, stoffwechselangepassten Pathobionten umstrukturiert.
Die Studie zeigt, dass Gene Tree Estimation Error (GTEE) die Genauigkeit von Artbaum-Methoden stärker beeinträchtigt als unvollständige Linien-sortierung (ILS), indem sie durch Simulationen nachweisen, dass GTEE gleichmäßiges Rauschen erzeugt, während ILS eine strukturierte Verzerrung verursacht, was die Notwendigkeit unterstreicht, biologische und schätzungsbedingte Diskrepanzen bei der Artbaum-Infferenz zu unterscheiden.