1012 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.
Dieses Paper stellt TranScouter vor, ein leichtgewichtiges Encoder-Decoder-Framework, das durch LLMs abgeleitete Gen-Embeddings und transkriptomische Profile der Zielbedingung nutzt, um kompetitiv die transkriptionellen Antworten auf Gen-Perturbationen sowohl über bekannte als auch unbekannte biologische Bedingungen hinweg vorherzusagen.
Das Paper stellt SAHA vor, ein skalierbares R-Paket, das die Identifizierung von Zelltypen in Einzelzell- und Spatial-Transcriptomics-Studien beschleunigt, indem es einen schnellen, datenschutzwahrenden Label-Transfer mittels Zusammenfassungsstatistiken und benutzerdefinierter Hyperparameter ermöglicht, um transparente, semi-automatisierte Annotationsberichte zu generieren.
Die Autoren präsentieren BWR-finder, ein neuartiges, datenbankfreies Softwaretool, das einen parallelisierten, auf der BWT basierenden Seed-and-Extend-Algorithmus nutzt, um effizient interspersierte Repeats in gigantischen Genomen (über 10 Gb) mit verbesserter Geschwindigkeit und Speichernutzung im Vergleich zu bestehenden Tools bei gleichbleibend hoher Sensitivität nachzuweisen.
crispAIPE ist ein Transformer-basiertes probabilistisches Framework, das die Unsicherheit bei Prime-Editing-Ergebnissen quantifiziert, indem es konkurrierende Editierungsereignisse auf einem Simplex mit Dirichlet-Likelihood und Split-Conformal-Kalibrierung modelliert, was eine zuverlässige Vorhersage der Effizienz der Variantenkorrektur sowie verallgemeinerbare Design-Filter über verschiedene Zelltypen hinweg ermöglicht.
Obwohl Single-Cell-Foundation-Modelle einige gemeinsame strukturelle Muster in ihren Gen-Embeddings aufweisen, wie etwa eine ribosomale Anreicherung, sind geometrische Ausreißer weitgehend modellspezifisch und identifizieren nicht zuverlässig biologisch wichtige Gene oder krankheitsrelevante Zielstrukturen.
RKMR ist ein skalierbares, unsicherheitsbewusstes Framework, das nichtlineare Kernel-Modellierung, Spike-and-Slab-Variablenselektion und räumliche Abhängigkeiten integriert, um robuste, prädiktive Marker-Panels aus hochdimensionalen räumlichen Omics-Daten zu identifizieren und dabei bestehende Methoden in Bezug auf Genauigkeit und Interpretierbarkeit übertrifft.
Der PG-LLM-Benchmark zeigt, dass allgemeine Sprachmodelle, obwohl sie keinen Zugriff auf strukturelle Daten oder Multiple-Sequence-Alignments haben, Proteinvarianten effektiv ranken und viele etablierte sequenzbasierte Prädiktoren übertreffen können, wenngleich sie hinter spezialisierten biomolekularen Werkzeugen zurückbleiben.
Diese Studie zeigt auf, dass die Inferenz der lokalen Abstammung bei geringer genetischer Divergenz fundamental durch eine Machbarkeitsschwelle und die Unzulänglichkeit aktueller Referenzdaten als vielmehr durch die Modellarchitektur begrenzt ist, wobei sie demonstriert, dass Genauigkeitsmetriken pro Standort schwerwiegende strukturelle Fehler verschleiern und die Bereitstellung reichhaltigerer Haplotyp-Informationen größere Leistungssteigerungen erzielt als architektonische Innovationen.
Diese Studie enthüllt eine neu entdeckte, evolutionär konservierte Familie von GFP-Faltproteinen, die Prokaryoten und Eukaryoten umfasst und das kanonische fluoreszierende Chromophor durch ein hochgradig eingeschränktes, verborgenes Ladungsnetzwerk aus zwei Argininen, zwei Glutamaten und einem Tyrosin ersetzt, ein Motiv, das auch konvergent in der nicht verwandten DUF2490-Familie vorkommt.
MassGAT ist ein Open-Source-, graphbasierter kollektiver Lernansatz, der die Peak-Detektion und -Annotation für LC-HRMS-Daten integriert, indem er Ionen-Spezies als Graphen modelliert und ein Graph Attention Network nutzt, um bestehende unabhängige Verarbeitungspipelines zu übertreffen.