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.
Das Paper stellt Boltz2ESI vor, ein End-to-End-Framework, das ein biomolekulares Foundation-Modell nutzt, um Enzym-Substrat-Interaktionen durch natives Co-Folding vorherzusagen, wodurch die Plastizität des aktiven Zentrums erfasst wird und bestehende Methoden übertrifft, um die Entdeckung von Biokatalysatoren sowie die Aufklärung von Stoffwechselwegen zu beschleunigen.
Das Paper stellt GraNPA vor, eine Methode, die GWAS-ähnliche Assoziationsstudien an Pangenom-Variationsgraphen unter Verwendung nur einer geringen Anzahl von Individuen durchführt, um phänotyp-relevante Genomregionen ohne Referenzbias oder zusätzliche Populationsdaten zu identifizieren.
DPCGS ist ein neuartiges computergestütztes Framework, das GWAS-Zusammenfassungsstatistiken mit Einzelzell-RNA-Sequenzierungsdaten integriert, um eine hochauflösende Kartierung des genetischen Risikos auf spezifische Zellsubpopulationen und regulatorische Programme zu erreichen, wobei es eine überlegene Genauigkeit gegenüber bestehenden Methoden demonstriert und neue Einblicke in die zellulären Mechanismen komplexer Krankheiten wie Alzheimer und Asthma bietet.
Durch die Durchführung von drei Open Calls und drei Public Challenges zwischen 2023 und 2025 unterstützte die AI4Life-Initiative 22 Biobildanalyse-Projekte und legte offen, dass die Einführung von FAIR-konformem Deep Learning zwar vor erheblichen Implementierungshürden steht, der primäre Engpass für wissenschaftliche KI in der Biologie jedoch nicht in der Methodenentwicklung, sondern in der Verfügbarkeit von Daten, Annotationen und gemeinsamer Infrastruktur liegt.
Spectronaut-nf ist eine skalierbare Nextflow-Pipeline, die eine effiziente, parallelisierte Verarbeitung großer DIA-Proteomik-Datensätze in High-Performance-Computing-Umgebungen ermöglicht und dadurch die Analysezeit im Vergleich zu Single-Workstation- oder Single-Node-Setups signifikant reduziert, während konsistente Identifizierungsergebnisse beibehalten werden.
Dieses Paper präsentiert eine vollautomatisierte, dreistufige geometrisch-neuronale Kaskaden-Pipeline, die eine subjektadaptive, unüberwachte Kandidatengenerierung mit zwei leichtgewichtigen 3D-ResNet-Klassifikatoren kombiniert, die mit minimalen Human-in-the-Loop-Labels trainiert wurden, um eine hochgenaue Detektion von zerebralen Mikroblutungen in suszeptibilitätsgewichteten MRT-Aufnahmen zu erreichen und gleichzeitig die Anzahl der falsch-positiven Ergebnisse durch vaskuläre und nicht-vaskuläre Mimetika signifikant zu reduzieren.
Dieses Manuskript wurde zurückgezogen, da die grundlegende Metrik des „Deviation Error“ eine substanzielle mathematische Formalisierung und theoretische Validierung erfordert, bevor sie als eine ordnungsgemäße Scoring-Regel zur Bewertung von Machine-Learning-Vorhersagen etabliert werden kann.
Spaceland ist ein morphologiegestütztes computergestütztes Framework, das kontinuierliche, hochauflösende 3D-Molekulatlanten ganzer Organe rekonstruiert, indem es spärliche räumliche Transkriptomik mit serieller H&E-Histologie integriert und somit eine skalierbare virtuelle Gewebemodellierung ohne die Notwendigkeit einer erschöpfenden experimentellen Probenahme ermöglicht.
Diese Studie vergleicht die multiple lineare Regression (MLR), die bias-korrigierte MLR und die Klemera-Doubal-Methode (KDM) zur Schätzung des biologischen Alters aus Herzratenvariabilitätsdaten bei 343 Probanden und stellt fest, dass KDM den geringsten Schätzfehler liefert, während die bias-korrigierte MLR eine verbesserte Genauigkeit gegenüber der unkorrigierten MLR bietet, jedoch durch ihre Abhängigkeit vom chronologischen Alter begrenzt ist.
Dieses Paper stellt ein diskretes Inverse-Rendering-Framework vor, das die biologische Bildanalyse als global optimales ganzzahliges Programmierproblem formuliert und dadurch Detektion, Tracking und Ereignisinferenz vereinheitlicht, um Standard-Pipelines mit lokalen Entscheidungen, insbesondere in Szenarien mit schwachem Signal, signifikant zu übertreffen.