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.
ProtFlow ist ein auf Flow-Matching basierendes generatives Modell, das durch die umfassende Erfassung der globalen semantischen Verteilung von Proteinsequenzen hochwertige und funktionell vielfältige Proteine, insbesondere antimikrobielle Peptide gegen unterrepräsentierte Bakterienarten, entwirft.
Diese Studie stellt ein robustes Framework vor, das k-mer-basierte Modelle nutzt, um die Auswirkungen somatischer Mutationen auf die Transkriptionsfaktor-Bindung in 560 Brustkrebsgenomen zu analysieren und zeigt, wie spezifische mutatorische Signaturen die Genregulation subtypspezifisch umprogrammieren.
Diese Studie zeigt, dass die Evaluierung von Modellen zur Vorhersage zellulärer Perturbationsreaktionen aufgrund der Unzuverlässigkeit gängiger Metriken und der oft übertriebenen Erwartungen an komplexe Deep-Learning-Ansätze weit weniger trivial ist als bisher angenommen, und liefert daher einen Rahmen für robustere Benchmarking-Verfahren.
Die Studie zeigt, dass nach Berücksichtigung von Allelfrequenz-Unterschieden die Leistung etablierter Vorhersagemodelle für Missense-Varianten über verschiedene genetische Abstammungsgruppen hinweg vergleichbar ist, was ihren breiten Einsatz in der klinischen Diagnostik unterstützt.
Diese Arbeit stellt ein physikbewusstes Framework vor, das Proteine in eine diskrete „Wort"-Vokabular zerlegt, um funktionale Muster zu entschlüsseln, neue regulatorische Gene wie ADMAP1 zu entdecken und biologische Funktionen durch programmierbares Protein-Design neu zu erschaffen.
Das Papier stellt RNAiSpline vor, ein tiefes Lernmodell, das selbstüberwachtes Pretraining mit KAN-, CNN- und Transformer-Architekturen kombiniert, um die Wirksamkeit von siRNA trotz begrenzter und verzerrter Daten zuverlässig vorherzusagen.
Die Studie stellt TITAN-BBB vor, ein multimodales Deep-Learning-Modell, das tabellarische, bildbasierte und textbasierte Merkmale mittels Aufmerksamkeitsmechanismen kombiniert, um die Blut-Hirn-Schranke-Durchlässigkeit mit überlegener Genauigkeit vorherzusagen und dabei den aktuellen Stand der Technik sowohl in Klassifikations- als auch in Regressionsaufgaben zu übertreffen.
Das Paper stellt MolDeBERTa vor, einen selbstüberwachten, strukturbasierten Encoder für Moleküle, der durch eine byte-basierte Tokenisierung und drei neuartige Vortrainingsziele auf einem großen SMILES-Datensatz physikalisch-chemische Eigenschaften besser erfasst und damit bestehende Masked-Language-Modelle in verschiedenen Downstream-Aufgaben deutlich übertrifft.
Das Paper stellt FiCOPS vor, ein Hardware/Software-Co-Design-Framework für FPGAs, das durch parallele Architektur und analytische Modellierung die Geschwindigkeit von massenspektrometrischen Peptid-Datenbanksuchen um das 3,5-fache steigert und gleichzeitig den Energieverbrauch im Vergleich zu CPU- und GPU-Lösungen erheblich senkt.
Die Studie stellt MW-RaMViD vor, eine auf Video-Diffusionsmodellen basierende Methode zur Korrektur von Missing-Wedge-Artefakten in der Kryo-Elektronentomographie durch die Generierung fehlender 2D-Neigungsbilder, die durch eine schrittweise, schrittweise Inferenz und eine längere Konditionierungssequenz die Rekonstruktionsgenauigkeit signifikant verbessert.