760 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.
gbdraw ist ein sicherer, browserbasierter und serverloser Werkzeugkasten, der sowohl eine grafische Benutzeroberfläche als auch eine Kommandozeilenschnittstelle bietet, um aus GenBank-, DDBJ-, GFF3- und FASTA-Dateien ohne Datenupload auf externe Server anschauliche genomische Diagramme für Mikroorganismen und Organellen zu erstellen.
Diese Studie nutzt 70.000 MRT-Scans, um mittels künstlicher Intelligenz beschleunigte Alterungsmuster in verschiedenen Organen und im gesamten Körper zu identifizieren, die mit chronischen Krankheiten und Lebensstilfaktoren assoziiert sind, und bietet damit eine Grundlage für eine personalisierte Gesundheitsbewertung.
In dieser Arbeit wird ein minimales mathematisches Modell vorgestellt, das die Dynamik von Entzündung und Demyelinisierung bei Multipler Sklerose beschreibt, typische schubförmige Krankheitsverläufe durch Hopf-Bifurkationen erklärt und auf Basis experimenteller Daten als Grundlage für die Vorhersage des Krankheitsverlaufs dient.
Das Paper stellt TPCAV vor, eine Methode zur Interpretation von Deep-Learning-Modellen in der Genomik, die durch die Anpassung von TCAV mit einer PCA-basierten Dekorrelation und die Einführung von attributionsbasierten Karten eine robuste Analyse sowohl klassischer DNA-Eingaben als auch allgemeinerer biologischer Konzepte wie Chromatinzustände und repetitiver Elemente ermöglicht.
Das Paper stellt GeoARG vor, ein geometrie-basiertes Framework, das Protein-Sprachmodelle nutzt, um evolutionär weit entfernte Antibiotikaresistenzgene in Metagenom-Daten zu entdecken, die mit herkömmlichen Sequenzmethoden übersehen werden.
Die Studie stellt einen geometriebewussten Rahmen zur Analyse von Ligand-Rezeptor-Interaktionen vor, der durch explizite Modellierung des Gewebegeometrie zwischen interflächenassoziierten Anreicherungen und räumlicher Lokalisierung unterscheidet und damit zeigt, dass die Tumor-Kommunikation besser als Kontinuum räumlicher Einschränkungen denn als diskrete Regime beschrieben werden kann.
Diese Studie zeigt, dass die gleichzeitige Korrektur von differentieller Genexpression für latente biologische und technische Störfaktoren mittels Surrogatvariablen sowie für populationsstrukturelle Verzerrungen durch Genotyp-PCs zu robusteren, replizierbaren und biologisch relevanteren Ergebnissen führt als die Anwendung einzelner Korrekturmethoden.
Die Autoren stellen „sosta", ein Open-Source-Bioconductor-Paket, vor, das die direkte Analyse mehrzelliger anatomischer Strukturen aus räumlichen Omik-Daten ermöglicht und damit über die bisherige Fokussierung auf einzelne Zellen hinausgeht.
Dieser Artikel schlägt ein neues, informationsbasiertes Vier-Schichten-Rahmenwerk vor, das Shannon-Entropie, evolutionäre Konservierung und DNA-Modell-Embeddings nutzt, um Genregulationsnetzwerke direkt aus DNA-Sequenzen zu konstruieren und dabei die Lücke zwischen nukleotidischer Informationsdichte und regulatorischer Netzwerklogik zu schließen.
Die Studie zeigt, dass die Analyse von Ko-Expressionsnetzwerken im Vergleich zur herkömmlichen Differential-Expressionsanalyse ein aussagekräftigeres und parsimonischeres Modell für die funktionale Heterogenität von Mikroglia liefert, indem sie kontextabhängige molekulare Programme identifiziert, die über starre Zellidentitäten hinausgehen.