💻 Category

bioinformatics

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.

💻 Bioinformatik

Interrogating contrastive learning embeddings for structure-based virtual screening: a case study on DrugCLIP

Diese Arbeit evaluiert systematisch die durch das kontrastive Lernen gewonnenen Embeddings von DrugCLIP für das struktur-basierte virtuelle Screening und zeigt auf, dass während seine Pocket-Embeddings eine schnelle und robuste Suche nach struktureller Ähnlichkeit ermöglichen und seine Ligand-Embeddings taschenbewusste chemische Muster mit starker Generalisierung auf ungesehene Targets erfassen, die Leistung signifikant durch konformative Variationen und Ungenauigkeiten in den vorhergesagten Proteintaschen begrenzt wird.

Sanchez Utges, J., Jones, D. T., Orengo, C.2026-09-18
💻 Bioinformatik

Targeted ortholog search in unannotated genome assemblies with fDOG-Assembly

Das Papier stellt fDOG-Assembly vor, ein neuartiges Werkzeug, das gezielte, auf Merkmalsarchitektur basierende Orthologensuche direkt in unannotierten Genom-Assemblierungen ermöglicht, wodurch die Einschränkungen traditioneller Methoden, die auf vorannotierten Proteomen beruhen, überwunden werden und neue biologische Erkenntnisse, wie etwa das weit verbreitete Potenzial zur β\beta-Lactam-Biosynthese bei Springschwänzen, aufgedeckt werden.

Muelbaier, H., Arthen, F., Tran, V., Schaefer, I., Balint, M., Ebersberger, I.2026-09-16
💻 Bioinformatik

Structured cross-omics interaction discovery with a triple-graph model

Das Paper stellt TriGer vor, ein Triple-Graph-Framework, das die Einschränkungen fragmentierter paarweiser Assoziationen in Multi-Omics-Daten überwindet, indem es interpretierbare, koordinierte Viele-zu-Viele-Module über molekulare Schichten hinweg identifiziert und dessen Effektivität bei der Wiederherstellung strukturierter Signale in Simulationen sowie der Aufdeckung krankheitsspezifischer biologischer Muster bei chronisch entzündlicher Darmerkrankung und kolorektalem Karzinom demonstriert.

YU, J., Lin, H., Chen, S.2026-09-16
💻 Bioinformatik

Flow Orchestrated Regulatory Genomics Engine (FORGE): A Configurable Nextflow Pipeline for End-to-End snMultiome Analysis

FORGE ist eine konfigurierbare, containerisierte Nextflow-Pipeline, die die End-to-End-Analyse von Single-Nucleus-Multiom-Daten automatisiert, indem sie Genexpressions- und Chromatinzugänglichkeitsdaten für die Inferenz regulatorischer Netzwerke und differenzielle Tests integriert und dadurch die Skalierbarkeit, Reproduzierbarkeit und biologische Interpretation über diverse Datensätze hinweg verbessert.

Solano, L. E., Rahimzadeh, N., Shi, Z., Swarup, V.2026-09-16
💻 Bioinformatik

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
💻 Bioinformatik

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
💻 Bioinformatik

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
💻 Bioinformatik

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
💻 Bioinformatik

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