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 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 CellDyc vor, ein halbüberwachtes Lernframework, das experimentelle Zeitpunkte nutzt, um präzise transkriptomische Geschwindigkeiten und intrinsische Zeitverläufe in Einzelzell-RNA-Sequenzierungsdaten zu rekonstruieren und dabei bestehende Methoden in der Auflösung zellulärer Dynamiken übertroffen.
Die Studie entwickelt und validiert eine auf gezielten Panel-Sequenzdaten basierende Mutations-Signatur, die einen Defekt in der Nukleotid-Exzisionsreparatur durch ERCC2-Mutationen anzeigt und als prädiktiver Biomarker für das Ansprechen auf Platin-basierte Therapien sowie für das Überleben bei Blasenkrebs und anderen soliden Tumoren dient.
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.
Diese Studie stellt einen maschinellen Lernansatz vor, der mit dem KNN-Algorithmus und Regressionsmodellen die Zuordnung molekularer Formeln in komplexen UHRMS-Daten deutlich verbessert und dabei eine neue, öffentlich zugängliche Benchmark-Datenbank etabliert.
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.
Diese Studie stellt den Therapeutic Cancer Cell Atlas (TCCA) vor, eine umfassende Einzelzell-Ressource, die durch die Integration von Transkriptomik, Genomik und Mikroumgebungsdaten therapeutische Vulnerabilitäten über verschiedene Krebsarten hinweg auf subklonaler Ebene kartiert und zeigt, dass funktionelle Transkriptionsprogramme sowie der Tumormikroumfeld-Kontext die Arzneimittelansprechraten stärker bestimmen als die Gewebeursprünge.
Die Studie stellt eine bioinformatische Pipeline (DegrAID) vor, die es ermöglicht, krankheits- und endotypspezifische Zerstörungsmuster der extrazellulären Matrix aus klinischen Proteomik-Daten abzuleiten, um damit unterschiedliche Gewebeumbau-Mechanismen bei rheumatischen Erkrankungen wie Osteoarthritis und rheumatoider Arthritis aufzudecken.