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 einen hybriden maschinellen Lernansatz vor, der Graph-Neuronale-Netzwerke mit traditionellen Deskriptoren kombiniert, um zwei vielversprechende Inhibitoren der TDP-43-Aggregation (Berberrubine und PE859) zu identifizieren und deren therapeutisches Potenzial in zellulären und tierischen Modellen experimentell zu validieren.
Der Artikel stellt CodonRL vor, ein auf Bestätigungsbeispielen und Reinforcement Learning basierendes Framework, das durch effiziente Strukturvorhersagen und demonstrierte Pfade eine überlegene, benutzerkontrollierte Mehrziel-Optimierung von Codonsequenzen hinsichtlich Translationseffizienz, RNA-Stabilität und immunogener Eigenschaften ermöglicht.
Die Autoren stellen TOXsiRNA, einen kostenlosen Webserver vor, der mithilfe von Machine-Learning-Modellen, insbesondere einem SVM-basierten Ansatz, die Toxizität chemisch modifizierter siRNAs sowie deren Off-Target-Effekte und Knockdown-Wirksamkeit vorhersagt.
Die Studie stellt ein präzises, maschinell lernbasiertes In-silico-Modell vor, das mithilfe von fünf bioinformatischen Merkmalen die Bedaquilin-Resistenz von Mycobacterium tuberculosis in Abhängigkeit von Rv0678-Varianten vorhersagt und so die klinische Behandlung rifampicin-resistenter Tuberkulose verbessern könnte.
Die Studie stellt miRarchitect vor, eine maschinelle Lern-Plattform, die die rationale Konstruktion hochspezifischer und wirksamer künstlicher microRNAs (amiRNAs) für die gezielte Genstilllegung ermöglicht und sich in experimentellen Tests als überlegen gegenüber bestehenden Werkzeugen erwies.
Das Paper stellt Theseus vor, einen neuen, schnellen und optimalen Algorithmus zur affinen Lücken-Sequenz-zu-Graph-Ausrichtung, der durch die Ausnutzung diagonalen Übergangs und einer Sparse-Daten-Strategie Speicherbedarf und Rechenzeit erheblich reduziert, ohne die Optimalität zu beeinträchtigen.
Die Studie stellt evoCancerGPT vor, ein auf Transfer Learning basierendes generatives Transformer-Modell, das mithilfe von 2,76 Millionen Einzelzell-Daten aus sieben Krebsarten zukünftige Genexpressionsprofile zur Vorhersage der Tumorprogression auf Einzelzell- und Einzelpatientenebene generiert und dabei bestehende Baseline-Modelle übertrifft.
Die Studie stellt ChatDIA vor, einen Workflow auf Basis von Large Language Models, der Daten-unabhängige Akquisition (DIA)-Massenspektrometrie-Daten durch zero-shot-Reasoning präzise analysiert, transparente Entscheidungsgründe liefert und dabei die Leistung etablierter spezialisierter Software wie DIA-NN erreicht oder in komplexen Einzelzell-Szenarien sogar übertrifft.
Die Studie stellt LineageSim vor, einen Generatoren für Einzelzell-Liniendaten, der durch die Einführung fätaaware Genexpression realistische Vorhersagesignale für zelluläre Schicksale erzeugt und damit bestehende Simulatoren übertrifft, die solche langfristigen zeitlichen Abhängigkeiten nicht abbilden können.
GeneReL ist eine neue Plattform, die Large Language Models mit gemeinschaftlicher Kuratierung kombiniert, um hochpräzise Genregulationsnetzwerke für *Arabidopsis thaliana* aus wissenschaftlicher Literatur zu extrahieren und zu validieren.