861 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 Papier schlägt eine einzigartige Normalisierungsmethode namens PFlogPF vor und validiert diese, welche additive und multiplikative proportionale Anpassung mit einer logarithmischen Transformation kombiniert, um die Varianz effektiv zu stabilisieren, die Sequenziertiefe zu berücksichtigen und die Monotonie der Merzenhäufigkeit in Einzelzell-Genomikdaten zu bewahren.
Die Arbeit stellt BootDA vor, eine nicht-parametrische Bootstrap-Methode, die gleichzeitig vier wesentliche Bias-Quellen in Mikrobiom-Daten korrigiert, ohne auf Transformationen oder Pseudozählwerte zurückzugreifen, wodurch eine überlegene Sensitivität und Spezifität bei der Identifizierung echter differenzieller Abundanz sowie bei der Verfeinerung der mikrobiellen Signatur der koronaren Herzkrankheit erreicht wird.
Diese Studie verwendet Pseudoperplexität, um zu zeigen, dass das Protein-Sprachmodell ProtT5 eine nachweisbare, aber begrenzte Memorierung seiner Trainingsdaten aufweist, was darauf hindeutet, dass es primär die statistische Grammatik von Proteinen generalisiert, anstatt lediglich Sequenzen auswendig zu lernen.
Diese Studie präsentiert ECMME, einen umfassenden Web-Atlas zur Analyse des selektiven Drucks auf Residuusebene über 272 menschliche extrazelluläre Matrixproteine unter Verwendung von 228 Säugetierarten, welcher eine allgegenwärtige reinigende Selektion neben distinkten Mustern episodischer positiver Selektion in Kollagenen aufzeigt, um eine Open-Access-Ressource für die Untersuchung der evolutionären Dynamik der extrazellulären Matrix bereitzustellen.
Die Autoren präsentieren FLAG-X, ein Python-Paket, das die Lücke zwischen manueller und automatisierter Durchflusszytometrie-Analyse schließt, indem es modernste Methoden des maschinellen Lernens mit Expertenannotationen in hybride Workflows integriert und somit den Mangel an Standardisierung und Effizienz in der routinemäßigen klinischen Gating-Analyse adressiert.
Das Paper stellt cryoPARES vor, eine über überwachte Deep-Learning-Methoden beschleunigte Methode zur Ausrichtung von Kryo-EM-Bildern, die durch die Nutzung von Vorab-Pose-Informationen und die Eliminierung manueller Interventionen eine Echtzeit-Strukturbestimmung für die Wirkstoffforschung ermöglicht.
Diese Studie adressiert die Herausforderungen der Reproduzierbarkeit der kolorimetrischen Loop-Mediated Isothermal Amplification (LAMP), indem sie ein maschinelles Lernklassifikationsmodell entwickelt, das thermodynamische und Sequenzmerkmale, insbesondere von F1c- und B1c-Primern, nutzt, um den Erfolg des Assays vorherzusagen und die Treue des Primer-Designs zu verbessern.
Diese Studie zeigt, dass die Intra-Slide-Kalibrierungstechnologie in Kombination mit computergestützter Analyse die Harmonisierung und Reproduzierbarkeit von p53-immunhistochemischen Assays über verschiedene anatomische Pathologielaboratorien hinweg signifikant verbessert und somit eine objektivere diagnostische Entscheidungsfindung in der Neuroonkologie unterstützt.
DDI_single ist ein neuartiger, auf einer einzelnen Sequenz basierender Algorithmus, der das ESM-1b-Proteinsprachmodell und ein Gated-Cross-Attention-Modul nutzt, um Interdomänen-Residue-Interaktionen präzise vorherzusagen und dadurch im Vergleich zu bestehenden Methoden wie trRosettaX_single eine überlegene Genauigkeit bei der Assemblierung von Multi-Domänen-Proteinstrukturen erreicht.
Diese Studie führt ein Deep-Learning-Modell ein, das individuelle topografische Hirnkarten erfolgreich in funktionelle Konnektome übersetzt und dadurch eine direkte Verbindung zwischen räumlicher Organisation und Netzwerkkonnektivität herstellt, um diverse Perspektiven der rsfMRI-Forschung zu vereinheitlichen.