💻 Category

bioinformatics

1178 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.

💻 Bioinformatik

Ark-ADMET: endpoint-specific selection of molecular representations and hyperparameters for gradient-boosted ADMET models under the Therapeutics Data Commons benchmark protocol

Die Ark-ADMET-Studie zeigt, dass die Anpassung molekularer Repräsentationen und CatBoost-Hyperparameter an einzelne ADMET-Endpunkte, anstatt eine einheitliche Architektur für alle Aufgaben anzuwenden, zu einer kompetitiven oder überlegenen Leistung auf dem Therapeutics Data Commons Benchmark führt, ohne dass neue Modellarchitekturen erforderlich sind.

Shi, Y., Luo, H., Liu, F., Zhao, S.2026-11-03
💻 Bioinformatik

A validation approach for RNA structures based on deep-learning 3D-structure predictions

Diese Arbeit präsentiert eine Erweiterung des Conkit-validate-Tools auf RNA und führt eine auf Deep Learning basierende, maplose Validierungsmethode ein, die Kontaktvorhersagen nutzt, um Strukturfehler wie Registerfehlzuordnungen zu erkennen, insbesondere in Fällen, in denen traditionelle kartenbasierte Ansätze durch niedrig auflösende experimentelle Daten begrenzt sind.

Voorspoels, A., Simpkin, A. J., Keegan, R., Chojnowski, G., Rigden, D. J.2026-11-03
💻 Bioinformatik

Redesigning the Eterna100 RNA design benchmark for the Vienna 2 folding engine

Diese Studie zeigt, dass die Leistungsfähigkeit von RNA-Design-Algorithmen intrinsisch mit den thermodynamischen Modellen der verwendeten Faltungsmotoren verknüpft ist, was zur Erstellung eines revidierten Eterna100-V2-Benchmarks führt, der offenbart, dass sowohl der ursprüngliche als auch der aktualisierte Benchmark unter ihren beabsichtigten Einstellungen aufgrund vorheriger Bewertungsfehler und enginespezifischer Herausforderungen weiterhin ungelöst bleiben.

Koodli, R. V., Rudolfs, B., Romano, J., Wayment-Steele, H. K., Dunlap, W. A., Eterna Structure Designers,, Das, R.2026-11-03
💻 Bioinformatik

Parameter-Efficient Adaptation of Protein Language Models for Dual-Target Antimicrobial Peptide Discovery Under Strict Homology Constraints

Diese Arbeit stellt ein parametereffizientes Multi-Task-Transfer-Learning-Framework auf Basis von ESM-2 und LoRA vor, das erfolgreich die Einschränkungen eingefrorener Protein-Sprachmodelle bei der Vorhersage sowohl der antibakteriellen Potenz als auch der hämolytischen Toxizität unter strengen Homologiebeschränkungen überwindet und somit die Entdeckung hochselektiver antimikrobieller Peptide mit überlegenen therapeutischen Indizes ermöglicht.

Jat, R., Ejaz, S. R.2026-11-03
💻 Bioinformatik

SpaceBlocks: an expert-supervised workflow for cohort-level spatial transcriptomics analysis

SpaceBlocks ist ein reproduzierbarer, expertenüberwachter Snakemake-Workflow, der heterogene räumliche Transkriptomdaten in Einzelzellauflösung über mehrere Plattformen hinweg homogenisiert, um eine skalierbare Kohortenanalyse zu ermöglichen, wie durch seine Fähigkeit demonstriert wurde, neuartige Zelltypen, Marker-Expressionsmuster und krankheitsassoziierte transkriptionelle Unterschiede in diversen biologischen Datensätzen zu identifizieren.

Oterino-Sogo, S., Mechkouri, N., Garcia-Ruano, D., Groppi, A., Rezvani, H.-R., Nikolski, M.2026-11-02
💻 Bioinformatik

Bayesian model-based method for clustering gene expression time series with multiple replicates

Dieses Paper stellt MMDPGP vor, eine bayessche modellbasierte Methode, die Dirichlet-Prozess-Gauß-Prozesse nutzt, um Genexpressions-Zeitreihen mit mehreren Replikaten zu clustern, indem sie jedes Replikat separat modelliert, wodurch sie im Vergleich zu aktuellen State-of-the-Art-Ansätzen eine überlegene Clustering-Genauigkeit und biologische Erkenntnis erzielt.

Nushi, E., Douillard, F. P., Selby, K., Lindström, M., Honkela, A.2026-11-02
💻 Bioinformatik

Interpreting graph neural networks reveals microbial association patterns in inflammatory bowel diseases

Durch die Interpretation von Graph Neural Networks, die auf individuppspezifischen mikrobiellen Assoziationsnetzwerken trainiert wurden, zeigt diese Studie auf, dass koordinierte Koabundanzmuster von Bacteroidales-Spezies, statt einer einfachen differenziellen Abundanz, entscheidende prädiktive Merkmale für die chronisch entzündliche Darmerkrankung sind, die von traditionellen Modellen des maschinellen Lernens oft übersehen werden.

Cunha, A. F., Vidal, E., Barranco-Altirriba, M., Amigo, T., Assis, J. G., Nakaya, H. I., Santos, A.2026-11-01
💻 Bioinformatik

Single-cell perturbation prediction near experimental reproducibility with GENESIS

Das Papier stellt GENESIS vor, ein generatives, energiebasierte Framework, das die Reaktion von Einzelzellen auf Perturbationen mit einer Genauigkeit vorhersagt, die der experimentellen Reproduzierbarkeit nahekommt, und somit eine komplementäre Strategie aus breiten Messungen mit geringerer Tiefe ermöglicht, die durch computergestützte Inferenz ergänzt werden, um die Unpraktikabilität erschöpfender experimenteller Atlanten zu überwinden.

Conci, R., D'Ascenzo, D., Cultrera di Montesano, S., Raghavan, S., Winter, P. S., Van Allen, E. M., Crawford, L., Lotter (…)2026-11-01