1197 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.
ReconSIREN ist ein neuartiges Deep-Learning-Framework, das eine Mixture-of-Experts-Architektur nutzt, um eine vollständig \textit{ab initio} Kryo-EM-Einzelpartikelanalyse durchzuführen, die gleichzeitig Artefakte durch bevorzugte Orientierung, Partikelheterogenität und konformative Flexibilität löst, ohne auf traditionelle Optimierungsmethoden zurückzugreifen.
Diese Studie führt ein topologiegesteuertes Framework ein, das proteomische und funktionelle Daten aus menschlichem, technischem Herzgewebe erfolgreich integriert, um aufzuzeigen, wie Epinephrin und Doxorubicin durch die differenzielle Modulation von Energiehomöostase, mitochondrialer Translation und Proteostase gegensätzliche inotrope Effekte ausüben.
KENT ist ein tragbares, Offline-fähiges Edge-Computing-Framework, das einen Cluster aus NVIDIA Jetson Nano-Modulen nutzt, um ein schnelles, GPU-beschleunigtes metagenomisches Erreger-Screening in ressourcenarmen Umgebungen zu ermöglichen, wobei es im Vergleich zu CPU-Baselines signifikante Geschwindigkeitssteigerungen bei gleichbleibend hoher Klassifizierungsgenauigkeit und Treue der Abundanzschätzung erzielt.
FlyAnatoView ist eine Ressource, die den Mangel an räumlichem Kontext in Einzelzell-RNA-Sequenzierungsdaten adressiert, indem sie transkriptomische Profile auf anatomische Diagramme von *Drosophila* projiziert und somit Informationen über die spezifischen Gewebe- oder Organlokalisationen einzelner Zellen wiederherstellt.
FilAdh ist ein vereinheitlichtes, degradationsbewusstes computergestütztes Framework, das gleichzeitig fokale Adhäsionen segmentiert und Aktin-Stressfasern rekonstruiert, um eine präzise morphometrische Analyse sowie räumliche Klassifizierung zu ermöglichen, wobei es bestehende Methoden in Benchmark-Tests übertrifft und gleichzeitig explizit charakterisiert, wie spezifische Bildgebungsfehler die strukturellen Messungen beeinflussen.
Diese Arbeit präsentiert eine integrierte computergestützte Strategie zur Analyse von Nanoporen-Protein-Ionenstromsignalen, die Entrauschung, Segmentierung und Techniken des maschinellen Lernens kombiniert, um eine hohe Genauigkeit bei der ladungsbasierten binären Klassifizierung zu erreichen und die Peptidtranslokation zu modellieren, trotz der Herausforderungen bei der Unterscheidung aller 20 Aminosäuren.
Diese Studie zeigt, dass die in aktuellen Perturb-seq-Screens verwendeten Additive-Input-Kodierungsmodelle nicht auf neue, gehaltene Perturbationsziele generalisieren, was offenbart, dass inferierte regulatorische Operatoren nicht für die Vorhersage von Reaktionen auf ungesehene Gene validiert sind, ungeachtet ihrer mathematischen Identifizierbarkeit.
VINTER ist ein generatives Vision-Language-Modell, das Histologie, Genexpression und räumliche Nachbarschaft in eine einzige Sequenz vereint, um räumliche Gewebestrukturen über verschiedene Plattformen und Auflösungen hinweg präzise zu annotieren und abzufragen, wodurch verborgene biologische Heterogenität aufgedeckt und die Editierung molekularer Evidenz ohne erneutes Training ermöglicht wird.
Diese Studie bewertet die Leistungsfähigkeit der TGAN- und CTGAN-Modelle bei der Generierung synthetischer, sechsjähriger longitudinaler Daten zu Herz-Kreislauf-Erkrankungen und stellt fest, dass CTGAN zwar im Allgemeinen eine überlegene Treue und Privatsphäre im Vergleich zu TGAN und einer Perturbations-Baseline bietet, jedoch noch Verfeinerungen benötigt, um die zeitlichen Charakteristika und die Leistung über jüngere Altersgruppen hinweg besser zu bewahren.
Das Papier stellt Hyper Screening X vor, ein generatives KI-Framework, das strukturbasiertes Design mit automatisierter Synthesehardware integriert, um effizient durch chemische Räume in Billionen-Größenordnung zu navigieren und erfolgreich erstklassige Leitstrukturen mit hohen Synthese- und Funktions-Trefferraten zu identifizieren.