760 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.
Die Studie stellt FlyPredictome vor, eine offene Datenbank, die auf 1,5 Millionen AlphaFold-Multimer-Vorhersagen basiert und ein strukturelles Atlas von Protein-Protein-Interaktionen in Drosophila mit atomarer Auflösung bereitstellt, um funktionelle Zusammenhänge und Krankheitsmutationen besser zu verstehen.
Das R-Paket trackDJ bietet eine benutzerfreundliche und reproduzierbare Alternative zu interaktiven Genom-Browsern, indem es durch hohe Abstraktion und sinnvolle Voreinstellungen die einfache Erstellung publication-fähiger Abbildungen für die Visualisierung epigenomischer Daten ermöglicht.
Die 2026 aktualisierte Version des DRSC Integrative Ortholog Prediction Tool (DIOPT) erweitert durch die Integration neuer Algorithmen, aktualisierter Genomdaten, einer benutzerfreundlicheren Weboberfläche und einer spezialisierten Version für Arthropoden die Möglichkeiten zur zuverlässigen Vorhersage von Orthologen über verschiedene Modellorganismen hinweg und unterstützt so die funktionelle Genomforschung.
Die Studie stellt TFBindFormer vor, einen hybriden Cross-Attention-Transformer, der genomische DNA-Merkmale mit proteinspezifischen Informationen aus Sequenzen und Strukturen integriert, um die Vorhersage von Transkriptionsfaktor-DNA-Bindungen im Vergleich zu rein sequenzbasierten Modellen signifikant zu verbessern.
Das Paper stellt CROssBARv2 vor, eine skalierbare Plattform, die heterogene biomedizinische Daten in einem einheitlichen Wissensgraphen mit standardisierten Ontologien und Vektor-Embeddings integriert, um durch eine hallucinationsreduzierte LLM-Schnittstelle und maschinelles Lernen die Datenexploration, Hypothesengenerierung und translationalen Forschung zu erleichtern.
Diese Studie stellt eine computergestützte Screening-Methode vor, die aus fast 630.000 Naturstoffen hochselektive Nrf2-Aktivatoren identifiziert, die durch eine gezielte Minimierung unerwünschter Wechselwirkungen mit PXR und CYP2D6 die Entwicklung sicherer Therapien gegen oxidativen Stress ermöglichen.
Diese Studie führt ein umfassendes Benchmarking verschiedener Methoden zur Schätzung von Präzisionsmatrizen durch, um deren Leistung bei der Analyse differentialer Ko-Expressionsnetzwerke unter unterschiedlichen Simulationsbedingungen zu bewerten und dabei festzustellen, dass zwar GLassoElnetFast die höchste Genauigkeit aufweist, jedoch keine einzelne Methode unter allen Bedingungen optimal ist.
Die Studie zeigt, dass geschlechtsspezifische Genexpression zwar geschlechtsspezifische Genessentialität beeinflussen kann, diese jedoch oft nicht der primäre Mechanismus ist, da direkte, expressionunabhängige Effekte, insbesondere auf dem X-Chromosom, die geschlechtsspezifische funktionelle Abhängigkeit dominieren.
Die Studie zeigt, dass die Integration biologisch informierter Sequenzmerkmale, die über reine Struktur- und Affinitätsbewertungen hinausgehen, die Erfolgsvorhersage beim de-novo-Design von Proteinbindern erheblich verbessert, indem sie kontextabhängige Signale für Expression und Bindung identifiziert und so die Trefferquote bei der Vorauswahl potenzieller Kandidaten signifikant steigert.
Die Studie stellt DeSCOPE vor, ein leichtgewichtiges Framework auf Basis eines konditionalen Variational Autoencoders, das die Vorhersage von Reaktionen auf genetische Perturbationen in verschiedenen Omics-Datenlandschaften verbessert und dabei besonders bei nicht gesehenen Genen, Zelltypen und kombinatorischen Perturbationen überlegene Leistung zeigt.