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 Mievformer vor, ein auf Masked Self-Supervised Learning basierendes Transformer-Framework, das durch die probabilistische Kopplung zellulärer Zustände und räumlicher Mikroumgebungen robuste Repräsentationen für die Analyse räumlicher Omics-Daten liefert.
Die Studie stellt Turep vor, eine robuste Deep-Learning-Methode, die mithilfe von Einzelzell- und räumlichen Transkriptomikdaten kreuzkrebsspezifische tumorreaktive T-Zellen identifiziert, um personalisierte Immuntherapiestrategien zu unterstützen.
Die Studie zeigt, dass die codon usage bias (CUB) als „genetische Dialekte" durch die physikochemischen Eigenschaften der Aminosäuren und die zweite Codonbasis geprägt wird, wobei diese Merkmale die Translationsgenauigkeit und Proteinstabilität widerspiegeln und eher funktionelle Ähnlichkeiten als die phylogenetische Verwandtschaft abbilden.
Die Autoren stellen mit „memerna" ein deterministisches und skalierbares Framework vor, das durch iterative, energiegeordnete Strukturstichproben eine effiziente und erschöpfende Modellierung des cotranskriptionalen RNA-Faltens ermöglicht und dabei Kinetic Traps sowie experimentelle Daten besser berücksichtigt als bestehende stochastische Methoden.
Diese Studie stellt eine systematische Bewertung von AlphaFold2 und OpenFold3 für Protein-Peptid-Komplexe vor, bei der AlphaFold2 OpenFold3 in der Vorhersagegenauigkeit übertrifft, während sie gleichzeitig auf die Notwendigkeit peptidspezifischer Kalibrierung von Bewertungsmetriken und die Grenzen der aktuellen Modelle bei bestimmten Peptidsequenzen hinweist.
Diese Arbeit untersucht den Einsatz von Graph Neural Networks (GNNs) zur Vorhersage von Protein-Ligand-Wechselwirkungen in der Arzneimittelforschung, indem sie durch Techniken wie Aufmerksamkeitsmechanismen, hybride Architekturen und Protein-Sprachmodelle die Interpretierbarkeit, Genauigkeit und biologische Relevanz der Modelle verbessert.
Die Studie stellt die Codon-Optimierungswerkzeuge OptimWiz 2.1 und 3.0 vor, die durch überlegene Fluoreszenz-Ergebnisse kommerzielle Tools übertreffen und gleichzeitig mittels maschinellem Lernen neue Prinzipien der Codon-Optimierung aufdecken.
Das Paper stellt SpaceBender vor, eine Open-Source-Methode zur Rauschreduktion in räumlichen Transkriptomdaten, die durch die Nutzung ortspezifischer Informationen biologische Signale verbessert und damit tiefere Einblicke in Gewebestrukturen ermöglicht.
Diese Studie stellt einen tensorbasierten Ähnlichkeitsnetzwerk-Ansatz vor, der mittels kanonischer Polyadischer Zerlegung räumliche molekulare Merkmale in kolorektalen Tumoren extrahiert und nachweist, dass die reale räumliche Organisation die Netzwerkstruktur im Vergleich zu randomisierten Konfigurationen signifikant einschränkt.
EpiRanha ist ein multimodaler Rahmen, der Sequenz- und Strukturinformationen mittels eines graphenbasierten neuronalen Netzwerks integriert, um präzise Epitop-Ähnlichkeiten zu identifizieren und so die Bewertung von Kreuzreaktivitäten sowie das Antikörperdesign zu verbessern.