1235 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 MIMIQ vor, eine adaptive Binning-Methode zur schnellen Berechnung der gegenseitigen Information und Signifikanzprüfung in Einzelzell-RNA-Sequenzierungsdaten, die beispielsweise genutzt wurde, um die Gen-Umschaltung von CD4+ naiven T-Zellen während einer SARS-CoV-2-Infektion zu analysieren.
Die CRIS-Datenbank stellt eine zentrale, standardisierte Ressource für hochwertig kuratierte RNA-Struktur- und Interaktionsdaten bereit, die durch konsistente Workflows und integrierte Qualitätsmetriken die Reproduzierbarkeit sicherstellt und als Fundament für KI-gestützte Entdeckungen in der RNA-Forschung dient.
Die Studie stellt KNexPHENIX vor, einen auf PHENIX basierenden Workflow, der durch optimierte Verfeinerung sowohl von Kryo-EM- als auch von Kristallographie-Strukturmodellen deren stereochemische Qualität verbessert, ohne dabei die Übereinstimmung mit den experimentellen Daten zu beeinträchtigen oder Überanpassung zu riskieren.
Die Arbeit stellt HEIMDALL vor, ein Framework zur systematischen Analyse und Neugestaltung von Tokenisierungsstrategien für Single-Cell-Foundation-Modelle, das zeigt, dass die gezielte Anpassung spezifischer Designachsen wie Genidentität und Expressionskodierung entscheidend für eine robuste Generalisierung über Verteilungsverschiebungen hinweg ist.
Die Studie zeigt, dass die Heterogenität der Einzelzellbeobachtungen systemische Verzerrungen in der Manifold-Inferenz verursacht, und schlägt topologische Stabilitätsdeskriptoren vor, um zuverlässige Zellzustandsmanifolds trotz dieser Verzerrungen zu identifizieren.
Diese Arbeit führt eine allgemein anwendbare Definition für die korrekte Kennzeichnung von Duplikationen in Genbäumen unter dem DLCoal-Modell ein, untersucht die statistischen Eigenschaften der Zielfunktion von ASTRAL-pro und bewertet die Genauigkeit des Kennzeichnungsalgorithmus durch Simulationen.
Diese Studie zeigt, dass die Kombination aus reduzierten Aminosäurealphabeten und Subword-Tokenisierung (BPE) die Effizienz von Protein-Sprachmodellen durch kürzere Eingabesequenzen und schnellere Verarbeitung erheblich steigert, ohne dabei die Vorhersagegenauigkeit zu beeinträchtigen oder sie in bestimmten Fällen sogar zu verbessern.
Die Studie stellt mit Cyclome930 eine umfassende computergestützte Framework vor, die eine vereinheitlichte Datenbank von 930 zyklischen Peptiden, einen neuartigen zyklischen Sequenzalignments-Algorithmus, physikbasierte Simulationen zur thermischen Stabilität und einen maschinellen Lernansatz zur Vorhersage von Schmelzpunkten sowie zur Identifizierung kritischer Metallbindungen integriert, um das rationale Design stabiler zyklischer Peptidbibliotheken zu ermöglichen.
Das Paper stellt Pipette vor, ein Multi-Agenten-KI-Framework, das wissenschaftliche Literatur in einen ausführbaren Skill Graphen übersetzt, um Bench-Wissenschaftlern die Erstellung biologisch valider und reproduzierbarer Bioinformatik-Workflows über natürliche Sprache zu ermöglichen.
Die Studie zeigt, dass Variational Autoencoder durch die Kombination von Rekonstruktionswahrscheinlichkeit und latenten Repräsentationen eine effektive und prinzipiengeleitete Methode für das Clustering und die Anomalieerkennung in biologischen und biomedizinischen Daten bieten.