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.
Das Paper stellt SCiMS vor, ein bioinformatisches Werkzeug, das mithilfe eines Bayes'schen Klassifizierers die Geschlechtsbestimmung des Wirts in Metagenom-Datensätzen auch bei sehr geringem Wirt-DNA-Anteil und über verschiedene Spezies hinweg präzise ermöglicht, um fehlende Metadaten wiederherzustellen und die Datenintegrität zu sichern.
Eine Metaanalyse von 12 Kohorten aus 8 Ländern zeigt, dass sich das menschliche Darmvirom im ersten Lebensjahr schnell und vorhersehbar entwickelt, wobei die Vielfalt zunimmt, die Gemeinschaften mit dem Alter konvergieren und sich die funktionelle Zusammensetzung hin zu einem stabilen Zustand verändert.
Die Studie stellt DEFT vor, eine hybride Methode, die Sequenz- und Strukturdaten kombiniert, um die Klassifizierung von Enzymen nach dem EC-System präziser und effizienter zu gestalten, was insbesondere bei der Vorhersage von mucinabbauenden Enzymen in Darmbakterien erfolgreich validiert wurde.
Die Arbeit stellt ein entitätsbasiertes Evaluierungsframework und die modellunabhängige Trainingsstrategie UnbiasNet vor, um in der Vorhersage biologischer Assoziationen mit mehreren Eingaben übermäßige Abhängigkeiten von Grad-Verhältnis-Verzerrungen zu eliminieren und so realistischere Bewertungen sowie robustere Modelle zu ermöglichen.
Die Studie zeigt, dass aktuelle Zero-Shot-Modelle zwar einzelne Mutationen gut vorhersagen können, aber versagen, wenn es darum geht, die komplexen Wechselwirkungen epistatischer Mutationen auf Proteineigenschaften und -funktionen zu erfassen.
Diese Studie zeigt, dass human-spezifische lange nicht-kodierende RNAs (lncRNAs) die Entwicklung von hyalinem Knorpelgewebe aus iPS-Zellen durch die Regulation extrazellulärer Matrix-Gene steuern und somit potenzielle Ansätze für die Geweberegeneration sowie das Verständnis menschlicher Erkrankungen bieten.
Die Studie zeigt, dass ein neuartiger prefix-basierter Downsampling-Algorithmus, der ganze Bakteriengenome auf kompakte k-mer-Repräsentationen reduziert, in Kombination mit Ensemble-Modellen eine hohe Vorhersagegenauigkeit für Phänotypen erzielt und somit eine effiziente Alternative zu komplexen Deep-Learning-Ansätzen bei begrenzten Daten darstellt.
Das Paper stellt PIGLET vor, eine neuartige Graph-Transformer-Methode zur Vorhersage von Arzneimittel-Ziel-Interaktionen, die auf einem proteomweiten Wissensgraphen basiert und in rigorosen Tests mit auf Wirkstoffen basierenden Aufteilungen bestehende Modelle übertrifft.
KG-Orchestra ist ein Open-Source-Framework für Multi-Agenten-Systeme, das durch den Einsatz von Retrieval-Augmented Generation und spezialisierten Agenten lückenhafte biomedizinische Wissensgraphen in granulare, evidenzbasierte und nachvollziehbare Ressourcen verwandelt.
Diese Studie charakterisiert den Typ-IV-Sekretionssystem von *Brucella melitensis* durch computergestützte Modellierung und identifiziert drei repurposed FDA-zugelassene Wirkstoffe (Ezetimib, Chlordiazepoxid und Alloin) als vielversprechende Kandidaten für eine Anti-Virulenz-Therapie gegen Brucellose.