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 bewertet sieben Varianten-Caller für die Detektion von Minderheitsvarianten in *Mycobacterium tuberculosis* mittels kurzer Reads, identifiziert FreeBayes als leistungsstärksten Tool und entwickelt ein neues Fehlermodell zur signifikanten Reduktion von falsch-positiven Ergebnissen.
Die Studie stellt Clair3 v2 vor, eine Methode, die die ONT-Move-Tabelle und Signal-Dwell-Zeiten nutzt, um die Genauigkeit der Variantenaufrufung bei Oxford Nanopore-Sequenzierung, insbesondere bei Indels in komplexen Genomregionen, erheblich zu steigern, ohne dabei den Rechenaufwand signifikant zu erhöhen.
IntelliFold-2 ist ein quelloffenes Modell zur Vorhersage biomolekularer Strukturen, das durch architektonische Verfeinerungen und strukturelle Konsistenz die Genauigkeit von AlphaFold 3 insbesondere bei therapeutisch relevanten Anwendungen wie Antikörper-Antigen-Interaktionen und Protein-Ligand-Faltung übertrifft.
Die Studie stellt das manuell annotierte CellLink-Korpus mit über 22.000 Zellpopulationserwähnungen vor, analysiert systematisch Namensmuster in der Fachliteratur und demonstriert dessen Nutzen für die Verbesserung von Named-Entity-Recognition-Modellen sowie die Erweiterung und Verfeinerung des Cell Ontology.
Diese Studie stellt einen hybriden maschinellen Lernansatz vor, der Graph-Neuronale-Netzwerke mit traditionellen Deskriptoren kombiniert, um zwei vielversprechende Inhibitoren der TDP-43-Aggregation (Berberrubine und PE859) zu identifizieren und deren therapeutisches Potenzial in zellulären und tierischen Modellen experimentell zu validieren.
Der Artikel stellt CodonRL vor, ein auf Bestätigungsbeispielen und Reinforcement Learning basierendes Framework, das durch effiziente Strukturvorhersagen und demonstrierte Pfade eine überlegene, benutzerkontrollierte Mehrziel-Optimierung von Codonsequenzen hinsichtlich Translationseffizienz, RNA-Stabilität und immunogener Eigenschaften ermöglicht.
Die Studie stellt ein präzises, maschinell lernbasiertes In-silico-Modell vor, das mithilfe von fünf bioinformatischen Merkmalen die Bedaquilin-Resistenz von Mycobacterium tuberculosis in Abhängigkeit von Rv0678-Varianten vorhersagt und so die klinische Behandlung rifampicin-resistenter Tuberkulose verbessern könnte.
Das Paper stellt Theseus vor, einen neuen, schnellen und optimalen Algorithmus zur affinen Lücken-Sequenz-zu-Graph-Ausrichtung, der durch die Ausnutzung diagonalen Übergangs und einer Sparse-Daten-Strategie Speicherbedarf und Rechenzeit erheblich reduziert, ohne die Optimalität zu beeinträchtigen.
GeneReL ist eine neue Plattform, die Large Language Models mit gemeinschaftlicher Kuratierung kombiniert, um hochpräzise Genregulationsnetzwerke für *Arabidopsis thaliana* aus wissenschaftlicher Literatur zu extrahieren und zu validieren.
Diese Studie zeigt, dass Zigarettenrauch das Risiko für Darmkrebs erhöht, indem er das Darmmikrobiom und den Stoffwechsel verändert sowie die Expression von Tumorsuppressorgenen wie CPT2 unterdrückt.