💻 Category

bioinformatics

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.

💻 bioinformatics

ML4SD: Leveraging Machine Learning and High-Throughput Search Algorithms for an Iterative Growth-Coupled Design Innovation

Das Paper stellt ML4SD vor, einen durch aktives Lernen gesteuerten Design-Build-Test-Learn-Zyklus, der maschinelles Lernen mit einem neuartigen Hochdurchsatz-Algorithmus (gcSwarms) integriert, um effizient wachstumsgekoppelte mikrobielle Stammdesigns zu identifizieren und dabei signifikant höhere Kohlenstofferträge mit weitaus weniger experimentellen Iterationen als herkömmliche Suchmethoden zu erreichen.

Gargantilla Becerra, A., Nogales Enrique, J.2026-09-16
💻 bioinformatics

A Turing-Style Test for In-Silico Antibodies: How Sampling Mode Makes WGAN-GP Beat VAE in the Wet Lab

Diese Studie zeigt, dass Wasserstein-GANs Variational Autoencoders bei der Generierung experimentell lebensfähiger De-novo-Antikörper übertrafen (99 % gegenüber 5 % Erfolg), wobei dieser Unterschied primär durch die Sampling-Strategie – bedingungslose Generierung gegenüber Latent-Seeding mit bekannten Antikörpern – und nicht durch eine inhärente architektonische Überlegenheit getrieben wurde.

Kummer, A., Mahmoudinobar, F., Liu, W., Davis, J. W., Ma, E. J., Kumar, S.2026-09-16
💻 bioinformatics

Uncertainty-Aware Model Selection with a Calibrated Probability-Generating-Function-Based Bayesian Information Criterion

Dieses Papier führt eine unsicherheitssensible Modellselektionsregel für stochastische Genexpressionsmodelle ein, die das konventionelle PGF-BIC durch die Einbeziehung eines datengesteuerten Schwellenwerts verbessert, der mittels Einflussfunktionen und Cantellis Ungleichung abgeleitet wurde, um die Stichprobenunsicherheit zu berücksichtigen und eine Überselektion komplexer Modelle ohne Einbußen bei der Recheneffizienz zu verhindern.

Wang, Y., Shu, Z., Gao, F., Cao, Z.2026-09-16
💻 bioinformatics

Interpretable Machine Learning Reveals Complementary Age-Related Signatures in the Oral and Gut Microbiome

Durch den Einsatz von SHAP-basierter Interpretierbarkeit auf gepaarten oralen und Darm-Mikrobiom-Daten zeigt diese Studie auf, dass kombinierte Modelle zwar nicht die perfekte Vorhersagegenauigkeit der Darmdaten allein zur Unterscheidung von Neugeborenen und Erwachsenen übertreffen, sie jedoch komplementäre, nicht redundante biologische Signaturen aus der Mundhöhle aufdecken, die durch konventionelle Genauigkeitsmetriken andernfalls übersehen würden.

Ruthbah, C. A., Sadi, T. H., Jahan, N. E. S., Adib, A. N. M. T.2026-09-15
💻 bioinformatics

Hierarchical temporal transformer for cancer grade prediction and cross cancer transfer learning from pathology reports

Dieses Paper stellt den Hierarchical Temporal Transformer (HTT) vor, eine zweistufige Architektur, die longitudinale Pathologieberichte und Krebsart-Embeddings nutzt, um eine erstklassige Vorhersage des Krebsgrades zu erreichen und ein effektives Zero-Shot-Transferlernen auf bisher ungesehene Krebsarten ohne Leistungseinbußen zu demonstrieren.

Brimo, N., Anand, R., Harb, H., Serdaroglu, D. C.2026-09-15
💻 bioinformatics

POME: Graph-based embeddings for partially observed mixed-type data

Das Paper stellt POME vor, ein selbstüberwachtes graphbasiertes Embedding-Modell, das darauf ausgelegt ist, niedrigdimensionale Repräsentationen für teilweise beobachtete biomedizinische Daten gemischter Typen zu generieren, wobei es eine erstklassige Imputationsleistung erzielt und effektive Downstream-Aufgaben wie die Entdeckung von Patientensubgruppen, prädiktive Modellierung und Therapieempfehlungen ermöglicht.

Woller, F., Arend, L., Kist, A. M., List, M., Rahimi, F., Sirocchi, C., Blumenthal, D. B.2026-09-15
💻 bioinformatics

pydreg: a fast Python package for identifying active cis-regulatory elements from nascent transcription

Das Paper stellt pydreg vor, eine schnelle und wartbare Python-Reimplementierung des dREG-Algorithmus zur Identifizierung aktiver cis-regulatorischer Elemente aus der-Nascent-Transkription, welche die Laufzeit und den Speicherverbrauch signifikant reduziert und dabei die Genauigkeit sowie die Kompatibilität mit der ursprünglichen Methode und moderner Computerinfrastruktur bewahrt.

He, A. Y., Danko, C. G.2026-09-13
💻 bioinformatics

Matched full-UDG and non-UDG ancient DNA libraries reveal trade-offs in post-mortem damage correction for imputation and kinship inference

Durch den Vergleich von gematchten, voll-UDG- und Nicht-UDG-behandelten antiken DNA-Bibliotheken von mittelalterlichen mongolischen Individuen zeigt diese Studie, dass verschiedene computergestützte Methoden zur Schadenskorrektur (Trimming, Rescaling und Maskierung) unterschiedlich zwischen der Beibehaltung von Sequenzstellen und der Fehlerminimierung abwägen, wobei die optimale Wahl von der spezifischen nachgelagerten Analyse abhängt, wobei korrigierte Daten für eine genaue Verwandtschaftsinferenz in Nicht-UDG-Bibliotheken essenziell sind.

Ravdandorj, O., Sampildondov, C., Janchiv, K., Gakuhari, T.2026-09-13
💻 bioinformatics

A Framework for Quantifying DNA Methylation Heterogeneity and Detecting Co-methylated loci from Native Nanopore Sequencing

Diese Arbeit präsentiert ein skalierbares Framework, das in das DMRcaller-Paket integriert ist und natives Oxford-Nanopore-Sequenzieren nutzt, um die Heterogenität der DNA-Methylierung auf Einzelmolekülebene zu quantifizieren sowie ko-methylierte Loci zu detektieren, wodurch epigenetische Muster und regulatorische Interaktionen aufgedeckt werden, die durch traditionelle Analysen auf durchschnittlicher Ebene pro Position verschleiert werden.

Kim, Y. J., Zabet, N. R.2026-09-13