1210 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 entwickelten EMTscore, ein Open-Source-R-Paket, das eine effiziente, unvoreingenommene Bewertung multipler divergenter Epithel-Mesenchym-Transitions-Pfade (EMT) aus Single-Cell- oder Bulk-Omics-Daten ermöglicht, um das schnelle Screening von Korrelationen zwischen EMT und anderen zellulären Prozessen zu erleichtern.
Dieses Paper führt Pseudotime Graph Diffusion (PGD) ein, ein leichtgewichtiges Post-hoc-Framework, das die Visualisierung und Interpretation von Einzelzell-Trajektorien durch die Glättung von Zell-Features und Genexpression entlang inferierter Pfade mittels Random-Walk-Diffusion verbessert.
RFhap ist eine neuartige Trio-basierte Phasiermethode, die Multi-k-mer-Marker und einen Random-Forest-Klassifikator nutzt, um die Genauigkeit und Kontiguität der haplotyp-aufgelösten De-novo-Assemblierung in menschlichen Genomen im Vergleich zu bestehenden Werkzeugen wie Hifiasm-Trio signifikant zu verbessern.
Das Paper stellt scGeneLens vor, ein Framework, das aufzeigt, wie verschiedene Single-Cell-Foundation-Modelle (scFMs) wie scFoundation und scGPT eine unterschiedliche „pluralistische“ Wahrnehmung von Zellen entwickeln, indem sie entweder Zelltyp-Marker-Gene oder gemeinsame biologische Signalwege priorisieren, und dadurch handlungsorientierte Erkenntnisse für das zukünftige Modelldesign bietet.
Thyra ist eine moderne Python-Bibliothek, die die Massenspektrometrie-Bildgebung mit dem SpatialData-Framework verbindet, um Datenfragmentierung zu überwinden, die Interoperabilität zu verbessern und eine einheitliche multimodale Analyse innerhalb des Spatial-Omics-Ökosystems zu ermöglichen.
Das Paper stellt scTREND vor, ein annotationsfreies computergestütztes Framework, das Einzelzell-Transkriptomik mit klinischen Ergebnissen integriert, um zeitvariante, zustandsabhängige zelluläre Hazard-Raten zu modellieren und somit eine dynamische Risikobewertung über diverse Krankheiten sowie räumliche oder Bulk-Datenmodalitäten hinweg zu ermöglichen, ohne dass vordefinierte Zelltyp-Labels erforderlich sind.
Die Autoren präsentieren TLand, eine neuartige Machine-Learning-Architektur, die auf der RegulomeDB-Datenbank aufgebaut ist und bestehende Modelle bei der Vorhersage und Priorisierung zell- und organspezifischer nicht-kodierender regulatorischer Varianten übertrifft und dadurch die Interpretation von GWAS-assoziierten SNPs über das gesamte menschliche Genom hinweg verbessert.
Diese Studie zeigt, dass die Korrelation zwischen den Log-Likelihood-Werten generativer Modelle und der Bindungsaffinität von Antikörpern daraus resultiert, dass diese Modelle implizit evolutionäre Priors erlernen und dabei auf einem Niveau mit einfachen BLOSUM-Ähnlichkeitswerten agieren, die gegen einen bekannten parentalen Binder berechnet wurden.
Diese Arbeit führt ein neuartiges, auf PARAFAC2 basierendes Analyse-Framework ein, das die Einschränkungen standardmäßiger CP-Modelle überwindet, indem es subjekt-spezifische zeitliche Variationen in longitudinalen Mikrobiom-Daten explizit erfasst und somit die Entdeckung replizierbarer, individualisierter Entwicklungssignaturen ermöglicht, die zuvor übersehen wurden.
Das Papier stellt SWARM vor, ein KI-basiertes Framework, das die Präzision des Profiling von Einzelmolekül-RNA-Modifikationen signifikant verbessert, indem es hohe Falsch-Positiv-Raten beim Nanoporen-Sequenzieren überwindet und dadurch die Entdeckung neuer Modifikationsstellen ermöglicht sowie neue Erkenntnisse über die Pseudouridin-Deposition liefert und gleichzeitig bestehende Modelle der epitranskriptomischen Koordination infrage stellt.