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.
Diese Arbeit beweist, dass Schätzer für Gene Tree Parsimony, die auf linearen Kombinationen der Kosten für Duplikation, Verlust und tiefe Koaleszenz basieren, unter dem multispezifischen Koaleszenzprozess statistisch inkonsistent sind, und untersucht die empirischen Auswirkungen dieser Inkonsistenz.
Diese Studie identifiziert den Angiotensinrezeptor AGTR1 als spezifischen Marker für Lungenperizyten und zeigt, dass seine Signalgebung die Migration und Proliferation dieser Zellen reguliert, was für die Reparatur des Lungenraums bei Erkrankungen wie COPD und Emphysem von zentraler Bedeutung ist.
Diese Studie identifiziert zwei topologische Motive für Inversionsblasen in Pangenom-Graphen und zeigt, dass aktuelle Pipelines Inversionen in simulierten und realen menschlichen Datensätzen häufig unzureichend repräsentieren oder übersehen.
Diese Studie zeigt, dass DNA-Foundation-Modelle, insbesondere HyenaDNA, im Vergleich zu herkömmlichen Methoden eine überlegene Genauigkeit und Recheneffizienz bei der Vorhersage von Transkriptionsfaktor-Bindungsstellen in pflanzlichen Genomen bieten.
Die Studie zeigt, dass die Qualität der Trainingsdaten, insbesondere die Sparsity und das Rauschen in den molekularen Daten sowie die Bildauflösung, einen entscheidenden und oft unterschätzten Einfluss auf die Leistungsfähigkeit von Deep-Learning-Modellen zur Vorhersage räumlicher Transkriptomik aus Histologiebildern haben, was eine Verbesserung der Datenqualität als ebenso wichtige Strategie wie die Architektur-Optimierung etabliert.
Die Studie stellt ein statistisches Rahmenwerk vor, das mithilfe von Referenzverteilungen aus einer großen Datensammlung von über 2.000 Arzneimittelkombinationen und 125 Krebszelllinien eine robuste, datengestützte Bewertung von synergistischen Effekten ermöglicht, um die Entdeckung wirksamer Kombinationstherapien zu standardisieren.
Die Studie zeigt, dass die Feinabstimmung von Protein-Sprachmodellen auf den neu eingeführten menschlichen räumlichen Zwang (HuSC), der populationsbasierte genetische Variation mit 3D-Strukturen integriert, die Vorhersage von Varianteneffekten verbessert, indem sie die Verzerrung zugunsten von Wildtyp-Sequenzen in toleranten Regionen reduziert.
Das Paper stellt SpecLig vor, ein energiegeleitetes, hierarchisches Modell zur gemeinsamen Generierung von Peptiden und kleinen Molekülen, das durch die Integration von chemischen Priors und geometrischer latenter Diffusion sowohl eine hohe Zielaffinität als auch eine verbesserte Spezifität gegenüber unerwünschten Off-Target-Bindungen gewährleistet.
Die Studie zeigt, dass numerische Variabilität in der strukturellen MRT-Analyse bei Parkinson-Patienten erheblich ist und durch ein neu entwickeltes Framework quantifiziert werden kann, um die Zuverlässigkeit bestehender Forschungsergebnisse zu bewerten.
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.