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.
Diese Studie stellt ein integriertes Framework vor, das einen harmonisierten Single-Cell-Atlas des menschlichen Darms mit maschinellem Lernen kombiniert, um zellspezifische therapeutische Zielstrukturen für die Behandlung von Morbus Crohn und Colitis ulcerosa zu identifizieren und experimentell zu validieren.
Die Studie stellt FragBEST-Myo vor, eine auf Deep Learning basierende Methode, die mittels 3D-U-Net und Molekulardynamik-Simulationen Bindungsstellen von Herz-Myosin in fragmentbasierte Regionen segmentiert, um dynamische Konformationsänderungen zu erfassen und das Screening für das Ensemble-Docking zu verbessern.
Die Studie bewertet sieben Varianten-Caller für die Detektion von Minderheitsvarianten in *Mycobacterium tuberculosis* mittels kurzer Reads, identifiziert FreeBayes als leistungsstärksten Tool und entwickelt ein neues Fehlermodell zur signifikanten Reduktion von falsch-positiven Ergebnissen.
Die Studie stellt Clair3 v2 vor, eine Methode, die die ONT-Move-Tabelle und Signal-Dwell-Zeiten nutzt, um die Genauigkeit der Variantenaufrufung bei Oxford Nanopore-Sequenzierung, insbesondere bei Indels in komplexen Genomregionen, erheblich zu steigern, ohne dabei den Rechenaufwand signifikant zu erhöhen.
Das Paper stellt CryoZeta vor, ein auf Diffusionsmodellen basierendes Deep-Learning-Tool, das Cryo-EM-Dichtekarten mit Sequenzinformationen integriert, um macromolekulare Komplexe auch bei nicht-atomaren Auflösungen präziser zu modellieren als bestehende Methoden.
Die Studie stellt SMECT, ein umfassendes Benchmarking-Framework vor, das zur systematischen Evaluierung von Methoden zur räumlichen Zuordnung von Zellen zu komplexen menschlichen Merkmalen dient und dabei DESE als überlegene Methode gegenüber S-LDSC und scDRS identifiziert.
IntelliFold-2 ist ein quelloffenes Modell zur Vorhersage biomolekularer Strukturen, das durch architektonische Verfeinerungen und strukturelle Konsistenz die Genauigkeit von AlphaFold 3 insbesondere bei therapeutisch relevanten Anwendungen wie Antikörper-Antigen-Interaktionen und Protein-Ligand-Faltung übertrifft.
MassID ist eine Cloud-basierte Pipeline für die ungerichtete Metabolomik, die durch den Einsatz von Deep Learning und dem neuartigen Modul DecoID2 eine nahezu vollständige Signalannotation mit probabilistischen Identifikationswahrscheinlichkeiten und einer kontrollierten False-Discovery-Rate ermöglicht.
Die Studie stellt das manuell annotierte CellLink-Korpus mit über 22.000 Zellpopulationserwähnungen vor, analysiert systematisch Namensmuster in der Fachliteratur und demonstriert dessen Nutzen für die Verbesserung von Named-Entity-Recognition-Modellen sowie die Erweiterung und Verfeinerung des Cell Ontology.
CPLfold ist ein schnelles und flexibles Werkzeug zur Vorhersage der RNA-Sekundärstruktur, das thermodynamische Modelle mit experimentellen Chimeren-Daten kombiniert, um präzise Strukturen einschließlich Pseudoknoten auch für lange Sequenzen zu bestimmen.