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 iDriver vor, ein probabilistisches grafisches Modell auf Patientenebene, das Mutationswiederholung und funktionale Auswirkungen integriert, um Krebs-Treibergene präziser zu identifizieren und dabei bestehende Methoden in der Erkennung bekannter und neuer Treiber in kodierenden und nicht-kodierenden Regionen zu übertreffen.
Die Studie stellt PanMixer vor, ein Framework, das durch die selektive Verschleierung individueller Haplotypen in Pangenom-Graphen die Privatsphäre der Teilnehmer schützt, ohne dabei die Nützlichkeit des Referenzgraphen für wichtige genomische Anwendungen zu beeinträchtigen.
Diese Arbeit stellt einen Monte-Carlo-Algorithmus vor, der mittels inkrementeller Fingerabdrücke die Menge der distinkten k-Mer-Farbmengen für große mikrobielle Referenzgenome direkt und speichereffizient konstruiert, wodurch der bisherige Engpass bei der Indexerstellung durch hohen Spitzen-Speicherbedarf überwunden wird.
Die Studie demonstriert in einer synthetischen Umgebung, dass ein überwachter Lernansatz mittels eines convolutional Auto-Encoders und einer Regressionsnetzwerk Cryo-EM-Bilder erfolgreich direkt auf atomare Koordinaten abbilden kann, ohne dass eine explizite Pose-Rekonstruktion erforderlich ist, und somit eine quantitative Grundlage für die schnelle Schätzung konformationaler Variabilität schafft.
Diese Studie zeigt, dass Polygenische Risikoscores (PRS) zur Wiederherstellung von Genotypen und zur Entanonymisierung von Personen missbraucht werden können, und stellt gleichzeitig einen analytischen Rahmen sowie eine Lösung für den sicheren Austausch von PRS-Modellen vor.
Die vorgestellte Studie zeigt, dass eine biologiegesteuerte Tokenisierung in Kombination mit domänenspezifischem Wissen die Leistung kompakter genomischer Sprachmodelle für verschiedene Aufgaben wie DNA-Klassifizierung und Promotor-Erkennung signifikant verbessert.
Diese Studie zeigt, dass die Kombination der Transcriptogram-Methode mit Protein-Protein-Interaktionsnetzwerken und PCA als biologischer Tiefpassfilter dient, um Rauschen in Einzelzell-RNA-Sequenzierungsdaten zu reduzieren und so verborgene funktionelle Module sowie diverse Trajektorien während des epithelial-mesenchymalen Übergangs (EMT) aufzudecken.
Die Studie stellt adaptive Tracepoints vor, eine komplexitätsbewusste Kodierungsmethode zur effizienten Komprimierung von Pangenom-Alignments, die im Vergleich zu festgelegten Intervallen eine deutlich höhere Kompressionsrate bei gleichbleibender Rekonstruktionsqualität und ohne Score-Verlust erreicht.
Die Studie zeigt, dass Open-Weight-LLMs in Kombination mit API-Abfragen und semantischer Filterung die automatisierte Metadatenkuratierung öffentlicher Lebenswissenschaftsdatenbanken erheblich verbessern und dabei eine Genauigkeit erreichen, die mit geschlossenen Modellen vergleichbar ist.
Das Paper stellt Wayfarer vor, ein neuartiges R-Paket für Bioconductor, das als mehrskaliges Framework die räumliche Analyse von Tumorprogression ermöglicht, indem es die Entwicklung räumlicher Assoziationsmetriken über verschiedene Aggregationsstufen hinweg verfolgt und so biologische Muster aufdeckt, die bei herkömmlichen Einzelauflösungs-Analysen unentdeckt bleiben.