1197 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 führt das Problem der vollständigen ancestralen Rekonstruktion für Pangenome (Complete Ancestral Reconstruction for Pangenomes, CARP) ein, um die Lücke zwischen vergleichender Genomik und Pangenomik zu schließen, indem es die theoretischen und praktischen Einschränkungen bestehender Umlagerungsmodelle bei der Anwendung auf komplexe pangenomische Daten überwindet.
Diese Arbeit stellt zwei strukturfreie maschinelle Lernmodelle vor, die durch den Vergleich chemischer Strukturen und Proteinsequenzen paarweise Präferenzen zwischen Verbindungen und Targets präzise vorhersagen und dabei eine hohe Genauigkeit bei der Rangfolge erzielen, ohne dass eine Konformationsanalyse oder Proteinstrukturdaten erforderlich sind.
Das Papier stellt PREpiBind vor, ein Dual-Stream-Framework, das systematisch zehn Proteinrepräsentationen für die Vorhersage der pMHC-II-Bindung evaluiert und aufzeigt, dass Protein-Sprachmodelle zwar im Allgemeinen die höchste Leistung erbringen, die optimale Wahl der Repräsentation jedoch vom spezifischen Vorhersageszenario und den Datensatzcharakteristika abhängt.
Das R-Paket CalFluxTools ist eine automatisierte Pipeline, die darauf ausgelegt ist, die Analyse von hochdurchsatzgestützten Calcium-Oszillationsdaten aus 384-Well-Platten zu rationalisieren, indem sie Qualitätskontrollmetriken generiert, statistische Tests durchführt und die Toxizität von Verbindungen vorhersagt, wodurch die Herausforderungen der manuellen Verarbeitung von über 60 kinetischen Parametern überwunden werden.
ProtPipe2 ist ein vielseitiges, Multiplattform-Framework für die nachgeschaltete Proteomik-Analyse, das sowohl als R-Paket als auch als Webanwendung verfügbar ist und Qualitätskontrolle, statistische Analyse sowie Visualisierungs-Workflows für Massenspektrometrie-, Olink- und SomaScan-Daten vereinheitlicht, um die Reproduzierbarkeit und Flexibilität zu verbessern.
OpenAntigens ist eine kostenlose Datenbank ohne Login, die das Design von Antigen-Konstrukten für das humane sezernierte und zelloberflächengebundene Proteom optimiert, indem sie diverse strukturelle, topologische und vergleichende Daten in einen einheitlichen, interaktiven Workflow integriert, um reproduzierbare und auf Kreuzreaktivität ausgerichtete Designvorschläge zu generieren.
Dieses Paper argumentiert, dass unvollständige Referenzprofile die Ziele der Bulk-Dekonvolution nicht bloß schwer schätzbar, sondern nicht identifizierbar machen, indem es zeigt, dass Standard-Punktschätzungen oft eine mangelnde Abdeckung aufweisen und biologische Schlussfolgerungen umkehren können, während es gleichzeitig ein neues Framework vorschlägt, das zertifizierte Präzision, Abdeckung und Metriken für Fehlzertifizierung gegenüber einfacher Schrumpfung priorisiert.
Das Papier stellt MESIC vor, eine Methode, die kuratierte Gen-Kenntnisse in ein semantisches Koordinatensystem integriert, um Einzelzell-Expressionsdaten in interpretierbare Komponenten abzubilden, was eine biologisch aussagekräftige Clusterbildung und Annotation von Zelltypen ermöglicht, ohne auf eine Post-hoc-Interpretation angewiesen zu sein.
Das Papier stellt LDDM vor, ein vereinheitlichtes 3D-generatives Modell, das die Herausforderungen der synthetischen Zugänglichkeit in der Wirkstoffforschung überwindet, indem es das schnelle Design neuartiger, zielspezifischer niedermolekularer Verbindungen und Peptide ermöglicht, welche experimentell validiert wurden, um eine hohe Bindungsaffinität und strukturelle Genauigkeit über fünf Protein-Targets hinweg zu erreichen.
Diese Studie zeigt, dass vortrainierte Genrepräsentationen in der virtuellen räumlichen Transkriptomik primär die Vorhersage der mittleren Genexpression über Gewebe hinweg verbessern, anstatt deren räumliche Variation, was offenlegt, dass die genübergreifende Generalisierung eher durch einen breiten Expressionstransfer als durch die Wiederherstellung spezifischer räumlicher Muster getrieben wird.