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.
Das Paper stellt VASCIF vor, ein interpretierbares, graphenbasiertes Framework, das mithilfe einer Masked Graph Attention-Architektur und zyklischer Transferlernung präzise und effizient die Schnittstellen zwischen Antikörpern und Antigenen vorhersagt und dabei neue biophysikalische Erkenntnisse liefert.
Das Paper stellt HiReS vor, eine Open-Source-Workflow-Lösung, die es ermöglicht, morphometrische Merkmale aus hochauflösenden Planktonbildern automatisiert und reproduzierbar zu extrahieren, indem sie durch Chunking und YOLO-basierte Segmentierung Speicherbeschränkungen umgeht und dabei trotz eines geringen systematischen Bias eine hohe Übereinstimmung mit manuellen Messungen erzielt.
Das Paper stellt scLongTree vor, ein skalierbares und präzises computergestütztes Werkzeug zur Inferenz von subklonalen Bäumen aus longitudinalen scDNA-seq-Daten, das in Tests gegenüber bestehenden Methoden wie LACE, SCITE und SiCloneFit überlegen ist.
Das Paper stellt `rnaends`, ein R-Paket vor, das eine umfassende Analyse von RNA-Enden auf Nukleotid-Ebene ermöglicht, indem es Funktionen für die Verarbeitung von Rohdaten, die Kartierung, Quantifizierung und verschiedene downstream-Analysen wie die Identifizierung von Transkriptionsstartstellen oder die Untersuchung von Degradationsdynamiken bereitstellt.
Diese Studie stellt ein robustes generatives Framework namens „Coherent Denoising" vor, das mithilfe von Diffusionsmodellen fehlende multimodale Omics-Daten aus beliebigen verfügbaren Teilmengen synthetisiert, um die Datenlücken in großen TCGA-Kohorten zu schließen und so die Präzisionsonkologie durch verbesserte Vorhersagemodelle und kontrafaktische Analysen voranzutreiben.
Die Studie stellt COMPASS vor, ein deterministisches, ontologiefreies Web-Tool zur Berechnung von pathway-Aktivitätsscores aus Genexpressionsdaten, das ohne Permutationen oder Referenzkohorten auskommt und im Vergleich zu etablierten Methoden robustere sowie transferierbare digitale Biomarker für die klinische und biologische Analyse liefert.
Das Paper stellt AEGIS vor, ein umfassendes, quelloffenes Python-Toolkit zur Validierung, Standardisierung und vergleichenden Analyse von Genomannotationsdateien, das durch die Korrektur von Formatierungsfehlern und die Integration mehrerer Evidenzlinien für die Orthologie-Bestimmung die Zuverlässigkeit bioinformatischer Workflows erhöht.
Diese Studie identifiziert und charakterisiert Waisen-Gene im Genom von Wurzelgallennematoden der Gattung Meloidogyne, zeigt, dass ein erheblicher Teil dieser Gattung-spezifischen Gene durch hohe Divergenz oder de novo-Entstehung entstanden ist, und liefert Hinweise auf ihre potenzielle Rolle bei der weltweiten Parasitierung.
Das Paper stellt DyGraphTrans vor, ein speicher-effizientes und interpretierbares Framework zur Modellierung des Krankheitsverlaufs aus elektronischen Gesundheitsakten durch die Darstellung von Patientendaten als zeitliche Graphen, das sowohl lokale Abhängigkeiten als auch globale Trends erfasst und in verschiedenen klinischen Szenarien hohe Vorhersagegenauigkeit erzielt.
Die Studie stellt PRIZM vor, einen dateneffizienten Zwei-Phasen-Workflow, der mit nur wenigen gelabelten Varianten den besten Zero-Shot-Modell für eine spezifische Proteineigenschaft identifiziert, um darauf aufbauend verbesserte Proteinvarianten für das experimentelle Screening zu priorisieren.