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.
Dieses Paper schlägt eine trainingsfreie Ensemble-Methode vor, die ProteinMPNN mit dem antikörperspezifischen Sprachmodell IgLM kombiniert, um die Aminosäure-Rekuperation und die Sequenzdiversität beim inversen Faltungsprozess von Antikörpern signifikant zu verbessern und somit die Lücke zwischen allgemeinen Strukturmodellen und spezialisiertem Antikörperdesign effektiv zu schließen.
Diese Studie integriert Einzelzell-RNA- und ATAC-Sequenzierung über verschiedene Grade des klarzelligen Nierenzellkarzinoms (ccRCC) hinweg, um aufzuzeigen, dass epigenetische Veränderungen metabolischen und invasiven Verschiebungen vorausgehen, während sie gleichzeitig eine robuste CBG-Prognosesignatur definiert und die dynamische Evolution der Immunerschöpfung sowie interzellulärer Kommunikationsnetzwerke kartiert.
Das Papier stellt Handshake vor, ein rein sequenzbasiertes Deep-Learning-Modell, das ProstT5 und Cross-Chain-Attention nutzt, um partner-spezifische Protein-Protein-Bindungsstellen in großem Maßstab präzise vorherzusagen, während es gleichzeitig aufzeigt, dass eine hohe Sequenzredundanz in den Trainingsdaten die Leistungsmetriken in bestehenden Benchmarks signifikant aufbläht.
Diese Studie identifiziert eine divergente Oberflächenschleife, die „Pocket2“ bildet, als eine Schlüsselquelle struktureller und funktioneller Variation in Hai-Legumainen, was im Gegensatz zu deren ansonsten hochkonservierten katalytischen Kernen steht und diese Region als Ziel für zukünftige Untersuchungen zur artspezifischen Proteaseadaptation nahelegt.
Das Paper stellt CryoDiff vor, ein unsicherheitbewusstes Diffusionsmodell, das bestehende Methoden bei der Verbesserung von Kryo-EM-Maps übertrifft, indem es die strukturelle Auflösung gemeinsam verbessert und voxelweise Konfidenzschätzungen bereitstellt, wodurch die Interpretierbarkeit der Maps und das nachfolgende Modellbauen signifikant gesteigert werden.
Das Paper stellt cellpin vor, einen skalierbaren Variational Autoencoder, der ausschließlich auf Einzelzell-RNA-Sequenzierungsdaten trainiert wurde und Teacher-Student-Latent-Distillation sowie Rauschsimulation nutzt, um ungemessene Gene effektiv zu imputieren und räumliche Transkriptomprofile zu entrauschen, ohne eine Cross-Modality-Ausrichtung zu erfordern.
OmniGene-4 führt ein vereinheitlichtes, Router-interpretierbares Mixture-of-Experts-Fundamentmodell ein, das demonstriert, wie kontinuierliches Pretraining die aufgabenspezifische Spezialisierung vorantreibt, während die Experten-Komputation sequenzbasierte biologische Argumentation bewältigt und dabei eine staatlich anerkannte Spitzenleistung in der Proteinhomologie sowie allgemeinem biologischem Wissen bei signifikant reduzierten Rechenkosten erzielt, selbst wenn es auf multimodale Eingaben erweitert wird.
Das Paper stellt UnBlender vor, eine Pipeline, die darauf ausgelegt ist, Atemwissenschaftlern die Durchführung einer anpassbaren Zelltyp-Dekonvolution auf Bulk-RNA-Seq-Daten zu ermöglichen, während gleichzeitig die Genauigkeit der geschätzten Zelltyp-Proportionen routinemäßig validiert wird, um reproduzierbare und zuverlässige Schlussfolgerungen zu gewährleisten.
Diese Arbeit präsentiert ein interpretierbares maschinelles Lernframework, das Dimensionsreduktion mit einem Multi-Output-Random-Forest-Modell kombiniert, um die Identität und Abstammung von Hunderassen aus genomweiten SNP-Daten präzise zu inferieren, wobei eine Genauigkeit von 91,7 % auf dem Dog Aging Project-Datensatz erreicht und biologisch relevante genetische Loci identifiziert werden, die mit rassespezifischen Merkmalen assoziiert sind.
Dieses Paper stellt ROTS 2.0 vor, ein erweitertes Open-Source-Framework, das in R und Python verfügbar ist und die reproduzierbarkeitsoptimierte Teststatistik auf diverse High-Throughput-Omics-Studiendesigns, einschließlich Multi-Gruppen-Vergleichen und Überlebensanalysen, ausweitet, um die Zuverlässigkeit der Merkmalsauswahl in komplexen experimentellen Settings zu verbessern.