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.
Das Paper stellt OmniCleave vor, ein skalierbares, strukturbewusstes geometrisches Graph-Lernframework, das die Protease-Substrat-Spezifität über mehrere Familien hinweg präziser modelliert als bestehende Ansätze und durch experimentelle Validierung neuer Substrate biologische Relevanz nachweist.
Die Autoren stellen ein allgemeines computergestütztes Modell vor, das mithilfe von Long-Read-Sequenzierungsdaten die Instabilität von Tandemwiederholungen im gesamten Genom quantifiziert und dabei sowohl technische Rauschsignale als auch biologische Mosaikmuster bei einfachen und komplexen Loci berücksichtigt.
Das Papier stellt BrightEyes-FFS vor, eine Open-Source-Python-Plattform mit grafischer Benutzeroberfläche und Jupyter-Notebook-Integration, die die Analyse von Fluoreszenzfluktuations-Spektroskopiedaten aus kleinen Detektorarrays ermöglicht.
Diese Arbeit stellt einen Open-Source-Workflow auf Basis von R vor, der statistische Prinzipien nutzt, um eine robuste Differenzanalyse für Massenspektrometrie-Bildgebungsexperimente mit komplexen Versuchsdesigns zu ermöglichen, und unterstreicht dabei die Bedeutung angemessener Signalverarbeitung, Regionsauswahl und statistischer Modellierung.
Das Paper stellt TopicVI vor, ein tiefes interpretierbares Modell, das durch die Integration von biologischem Vorwissen mit datengesteuerter Verfeinerung mittels Optimal-Transport-Kopplung kontextspezifische Genprogramme in Einzelzell- und räumlichen Transkriptomdaten identifiziert und dabei bestehende Methoden in Bezug auf biologische Konsistenz und die Entschlüsselung komplexer Krankheitszustände wie Glioblastom übertrifft.
Dieses Papier erweitert die kontrastive Hauptkomponentenanalyse (cPCA) durch die Einführung von k-{rho}PCA für räumliche Daten und f-{rho}PCA für funktionale Daten, die beide auf dem Rayleigh-Quotienten basieren und Anwendungen in der Genomik demonstrieren.
Die Studie stellt DIANA vor, ein auf Deep Learning basierendes Multi-Task-Neurales Netzwerk, das aus Unitig-Häufigkeiten präzise Metadaten für alte Metagenomdaten vorhersagt und dabei durch semantische Generalisierung auch Proben mit unbekannten Labels korrekt klassifiziert, um die Qualitätskontrolle und Entdeckung in der Forschung zu beschleunigen.
Diese Studie integriert evolutionäre Daten von Mensch-Virus-Protein-Interaktionen mit Kontaktkarten, um zu zeigen, dass sich positive und negative Selektionssignaturen auf den Schnittstellen virus-targetierter Wirtsproteine räumlich unterschiedlich organisieren, wobei positiv selektierte Residuen in mimetischen Schnittstellen stärker gebündelt sind und adaptive Evolution fokussieren.
CoPhaser ist ein neuartiger, interpretierbarer Algorithmus, der mittels eines biologisch informierten Variational Autoencoders kontinuierliche periodische Manigfaltigkeiten aus scRNA-seq-Daten extrahiert, um zelluläre Identität und biologische Rhythmen wie den Zellzyklus oder circadiane Uhren kontextabhängig zu entwirren und dabei neue biologische Erkenntnisse in verschiedenen Krankheits- und Entwicklungsmodellen zu liefern.
Die Studie entlarvt den „Black Box"-Charakter von AlphaFold-Multimer und AlphaFold3, indem sie zeigt, dass die Assemblierung von Protein-Komplexen primär durch monomere geometrische Komplementarität und nicht durch interproteine Koevolution gesteuert wird, wobei die vorherrschende Herausforderung für die Vorhersage von Immunkomplexen in der strukturellen Plastizität der Schnittstellen liegt.