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.
Das Paper stellt *tensorOmics* vor, ein neues R-Paket, das durch Tensor-Faktorisierung die zeitliche Dynamik und die Integration verschiedener Omics-Ebenen in longitudinalen Studien bewahrt, um koordinierte molekulare Antworten präziser zu identifizieren als herkömmliche matrixbasierte Methoden.
SpaDecoder ist eine neue, auf Matrixfaktorisierung basierende Methode zur Zelltyp-Dekonvolution in der räumlichen Transkriptomik, die durch die Nutzung einer adaptiven 3D-Nachbarschaftsstruktur und die Berücksichtigung von Einzelzell-Referenzprofilen eine präzisere Schätzung der Zellverteilung über räumliche und zeitliche Dimensionen hinweg ermöglicht.
Das Paper stellt miRXplain vor, ein neues, auf Hybrid-Attention-Transformern basierendes Deep-Learning-Modell, das durch die Nutzung von CLIP-L-Daten präzise Vorhersagen über die Interaktionen von miRNA-Varianten (isomiRs) mit Ziel-mRNAs ermöglicht und dabei gleichzeitig biologische Erkenntnisse über deren Bindungsmechanismen liefert.
Diese Arbeit stellt ein neues, taxonomie- und ungeordnetheitsbasiertes Benchmarking-Framework vor, das Verzerrungen durch biologische Kurzschlüsse reduziert und zeigt, dass die Leistungsfähigkeit aktueller Prädiktoren für Phasen-trennende Proteine stark von der taxonomischen Herkunft und dem Grad der intrinsischen Unordnung abhängt.
Diese Studie zeigt, dass die Unspezifität von Antikörpern sowohl durch Protein-Sprachmodelle als auch durch biophysikalische Parameter wie den isoelektrischen Punkt effektiv vorhergesagt werden kann, wobei die schwere Variable-Domäne die besten Ergebnisse liefert.
Diese Studie zeigt, dass Zigarettenrauch das Risiko für Darmkrebs erhöht, indem er das Darmmikrobiom und den Stoffwechsel verändert sowie die Expression von Tumorsuppressorgenen wie CPT2 unterdrückt.
Diese Studie nutzt einen netzwerkbasierten Algorithmus und eine globale Analyse funktioneller Nachbarschaften, um die Vorhersage neuer Gen-Seltenen-Krankheiten-Assoziationen durch einen spezifischen Score zu verbessern und so die Priorisierung genetischer Varianten bei der Diagnose zu unterstützen.
PlantMDCS ist ein lokal einsetzbares, codefreies und modulares Toolkit, das die effiziente Verwaltung, Integration und Analyse von pflanzlichen Multi-Omics-Daten durch eine benutzerfreundliche grafische Oberfläche ermöglicht.
Die Studie zeigt, dass bestimmte lokale energetische Spannungen (Frustrationen) in Proteinen trotz ihrer strukturellen Instabilität erhalten bleiben, da sie als evolutionär nutzbare „Spandrels“ fungieren, die aus physikalischen Zwängen der Proteinfaltung entstehen und später für funktionelle Zwecke adaptiert werden können.
Diese Studie präsentiert eine kultivierungsunabhängige, datenzentrierte Strategie mittels LC-HRMS und einer spezialisierten R-basierten Analyse, um 59 potenzielle Siderophore im Mikrobiom von drei verschiedenen Schwammarten erfolgreich zu identifizieren und zu validieren.