💻 Category

bioinformatics

1197 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.

💻 Bioinformatik

EndoMT: An R Package Resource for Endothelial-Mesenchymal Transition Gene Set Enrichment Analysis

Dieses Paper stellt das EndoMT R-Paket vor, eine kuratierte Ressource richtungsweisend zugewiesener Gensätze, die darauf ausgelegt ist, eine spezifische und sensitive transkriptomische Anreicherungsanalyse der endothelialen-mesenchymalen Transition über verschiedene experimentelle Modelle und Krankheitskontexte hinweg zu ermöglichen und damit die Einschränkungen bestehender allgemeiner epithelial-mesenchymalen Übergangs-Frameworks zu adressieren.

Best, K., Casement, J., Lovat, P. E., Walker, L., Armstrong, J.2026-10-05
💻 Bioinformatik

Slide-level batch structure limits histology-guided supervision of transcriptomic foundation models

Diese Studie zeigt, dass die Verwendung von gematchter H&E-Histologie als übergeordnetes Signal während der Trainingszeit die Verbesserung von transkriptomischen Fundamentmodellen nicht konsistent steigert, da gleitenspezifische Batch-Strukturen in punktbasierten räumlichen Transkriptomiken das gemeinsame Gen-Morphologie-Signal einschränken und letztlich bestehende Informationen reorganisieren, ohne verlorene biologische Details wiederherzustellen.

McConnell, U., Nonchev, K., Koelzer, V. H., Raetsch, G.2026-10-05
💻 Bioinformatik

Reconstructing donor genotypes from scRNA-seq for downstream eQTL and HLA-TCR analysis

Das Paper stellt scTAPAS vor, ein bioinformatisches Framework, das die Genotypen der Spender direkt aus Single-Cell-RNA-Sequenzierungs-Reads rekonstruiert und somit präzise nachgeschaltete eQTL- sowie HLA-TCR-Assoziationsanalysen ermöglicht, selbst wenn keine passenden konventionellen Genotypisierungsdaten vorliegen.

Kockelbergh, H., Astley, J., Kichula, K. M., Zhang, Z., Ng, E. S., COvid-19 Multi-omics Blood ATlas (COMBAT) Consortium (…)2026-10-05
💻 Bioinformatik

PIE: Generalizing perturbation effects across unseen perturbations, contexts and datasets

PIE ist ein neuartiges Modell, das zelluläre Perturbations-Effekte über ungesehene Kontexte, Perturbationen und Datensätze hinweg generalisiert, indem es die Lernaufgabe um Populationseffekte neu formuliert und Hilfs-Bioinformationen nutzt, wodurch es eine State-of-the-Art-Leistung bei der Vorhersage von Genexpressionsänderungen und differenziell exprimierten Genen erreicht.

Verma, R., Adduri, A., Bevilacqua, B., Eraslan, B., Burke, D., Goodarzi, H., Roohani, Y.2026-10-05
💻 Bioinformatik

Homology-Based Variant-Effect Predictors Break Down on Cytochrome P450 Pharmacogenes

Diese Studie zeigt auf, dass auf Homologie basierende Prädiktoren für Varianten-Effekte bei Cytochrom-P450-Pharmogenen systematisch versagen, da sie primär die Proteinabundanz anstatt der katalytischen Aktivität verfolgen, was einen neuen Modellierungsansatz erforderlich macht, der substratspezifischen Kontext einbezieht, um funktionelle Konsequenzen genau vorherzusagen.

Xu, H., Samori, I., Nayar, G., Altman, R. B.2026-10-02
💻 Bioinformatik

EnsPlex: Integrative Protein Complex Prediction through Multi-source Complementary Structural Sampling and Topology-Aware Candidate Selection

EnsPlex ist ein Multi-Quellen-Framework, das diverse strukturelle Sampling-Methoden mit einem topologiebewussten Qualitätsbewertungsmodell (FACET) integriert, um die Genauigkeit und Erfolgsrate der Proteinkomplex-Vorhersage in Antigen-Antikörper-Systemen im Vergleich zu bestehenden Ansätzen signifikant zu verbessern.

Hu, B., Lu, Z., Zaman, K., Sun, Z., He, X.2026-10-02
💻 Bioinformatik

Defining transcriptomic niches in human fibrotic lung with multi-sample spatial transcriptomics analysis using the MAPLE algorithm

Diese Studie führt den MAPLE-Algorithmus zur Analyse von Multi-Sample-Spatial-Transcriptomics-Daten ein und zeigt auf, dass die Progression der idiopathischen pulmonalen Fibrose mit regionsspezifischen fibrotischen Programmen sowie der räumlichen Kolokalisation seneszenter Zellen mit aberranten Basaloid-Nischen in menschlichen Lungen einhergeht.

Jeon, H., Allen, C., Vanegas, N.-D. P., Xie, J., Ghobashi, A. H., Rodriguez-Lopez, J., Rosas, L., Wang, C., Cheng, H., C (…)2026-10-01
💻 Bioinformatik

Quantum Hamiltonian-Based Generative Modeling of Single-Cell Transcriptomics for Gene Regulatory Network Inference

Dieses Paper stellt QHGM vor, ein neuartiges, auf dem Quanten-Hamiltonoperator basierendes generatives Modell, das mit einem skalierbaren variativen Quantenalgorithmus (VQ-Net) gepaart ist, welcher klassische Methoden bei der Inferenz von Genregulationsnetzwerken aus Einzelzell-Transkriptomik-Daten signifikant übertrifft, wie durch überlegene Genauigkeit bei synthetischen Benchmarks und biologisch relevante Erkenntnisse in Glioblastomen nachgewiesen wurde.

Sohail, M. A., Sudharshan, R. R., Pradhan, S. S., Rao, A.2026-10-01
💻 Bioinformatik

A Metacell Model of Single Cell RNA-seq Counts Yields a Gaussian Mixture Model in PCA Space

Diese Arbeit stellt fest, dass die Anwendung standardmäßiger scRNA-seq-Vorverarbeitungsworkflows auf Daten, die durch ein Metacell-Modell generiert wurden, zu einem Gaußschen Mischmodell im PCA-Raum führt, eine Erkenntnis, die mittels der Zufallsmatrizentheorie abgeleitet wurde und die Unzulänglichkeiten des Metacell-Modells bei der Erfassung von Genkorrelationen sowie die Unterschätzung der Varianz in realen Datensätzen offenlegt, während sie gleichzeitig einen Rahmen zur Verbesserung der nachgelagerten statistischen Modellierung bietet.

Leviyang, S.2026-10-01