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 Cassette2Vec-EC vor, ein strukturelles Genomik- und Machine-Learning-Framework, das genomische Inseln in Enterococcus cecorum als übertragbare Kassetten-Module repräsentiert, um pathogene Linien in der Geflügelproduktion präzise vorherzusagen und spezifische genetische Risikomarker für die Überwachung zu identifizieren.
Das Paper stellt Folddisco vor, eine schnelle und speichereffiziente Software zur Suche nach strukturellen Motiven in großen Protein-Datenbanken, die durch einen komprimierten Index und ein seltenheitsbasiertes Bewertungssystem bestehende Methoden in Geschwindigkeit und Genauigkeit übertrifft.
Die Autoren stellen einen formalen Rahmen vor, der syntene Blöcke direkt aus Sequenzdaten ableitet, um Rearrangements nicht zu verschleiern, und zeigen, dass das Problem im Allgemeinen NP-schwer ist, aber unter bestimmten Bedingungen durch einen linearen Algorithmus effizient gelöst werden kann.
Das Paper stellt AptaBLE vor, eine Deep-Learning-Plattform, die die Vorhersage von Aptamer-Protein-Bindungen ermöglicht und zwei Methoden zur de-novo-Generierung neuartiger Aptamere mit hoher Spezifität und niedrigen Dissoziationskonstanten (bis zu 31 nM) bereitstellt.
Die Studie stellt „Embarrassingly_FASTA" vor, eine GPU-beschleunigte Pipeline, die die Kosten und die Zeit für die genomische Datenverarbeitung drastisch senkt, um die Speicherung von Rohdaten und eine wiederholbare, populationsweite Pangenomik zu ermöglichen.
ProteoMapper ist ein computergestütztes Framework, das die Domänenannotation mit der Motiverkennung integriert, um kontextspezifische Motif-Domänen-Muster in Protein-Familien alignmentbasiert zu identifizieren und quantitativ zu analysieren, wodurch Einblicke in evolutionäre Zwänge und regulatorische Mechanismen ermöglicht werden.
Das Paper stellt iDLC vor, ein interpretierbares Deep-Learning-Framework, das durch explizite Merkmalsentwirrung und optimalen Transport robuste Batch-Effekt-Korrektur bei Einzelzell-RNA-Sequenzierungsdaten ermöglicht, ohne dabei biologische Details wie Zelltypen oder Entwicklungsverläufe zu beeinträchtigen.
Das Paper stellt TSUMUGI vor, eine Plattform, die mithilfe von Daten des International Mouse Phenotyping Consortium (IMPC) phänotypgesteuerte Gen-Netzwerke identifiziert, um die funktionelle Genetik komplexer Organismus-Phänotypen zu entschlüsseln und Hypothesen zu generieren.
Die Studie stellt mit Q-FSNet und Q-DirichNet zwei neue sparse Bayesianische Quantil-Neuronale-Netzwerk-Methoden vor, die mithilfe von Daten der kanadischen Längsschnittstudie zum Altern physiologische „Sweet Spots" von 25 Metaboliten identifizieren, um präzise Biomarker für gesundes Altern und biologische Altersbeschleunigung zu entdecken.
Die Studie stellt OT-knn vor, ein neuartiges Framework zur optimalen Transportierung, das durch die Integration lokaler Nachbarschaftsinformationen eine robuste und genaue Ausrichtung räumlicher Transkriptomik-Daten über verschiedene Gewebeschnitte, Individuen und Entwicklungsstadien hinweg ermöglicht.