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 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.
Die Studie stellt den neuartigen Linearized Compressed Polar Coordinates (LCPC)-Transform vor, ein Algorithmus, der durch die Umwandlung von Zellkonturen in diskrete Sinuswellen mittels FFT räumliche Kontextmerkmale wie Chiralität erfasst und so eine quantitative Analyse von Zellmorphologien in 2D- und 3D-Kulturen zur Aufklärung von Therapieresistenzen ermöglicht.
Die Studie stellt MultiStateFold (MSFold) vor, ein Framework, das Parallel Tempering in den diskreten Struktur-Token-Raum des ESM3-Protein-Sprachmodells integriert, um durch globale Exploration der latenten Energielandschaft präzise Vorhersagen multipler Protein-Konformationen zu ermöglichen und dabei bestehende Methoden wie AlphaFold 3 in Bezug auf alternative Zustände deutlich zu übertreffen.
Die Studie stellt einen adaptiven Integrationsrahmen vor, der heterogene Fundamentmodelle der computergestützten Pathologie kombiniert, um durch die Verknüpfung mit räumlicher Transkriptomik in Brustkrebsproben präzisere Vorhersagen histologisch relevanter Gene zu treffen und dabei die Interpretierbarkeit sowie die klinische Genauigkeit gegenüber einzelnen Modellen und klassischen Ensemble-Methoden signifikant zu steigern.
Die Studie stellt ein modulares Framework vor, das räumliche Transkriptomik mit Einzelzell-Multiome-Daten integriert, um in Melanomgewebe räumlich aufgelöste regulatorische Programme zu inferieren und dabei die Stabilität der Zuweisungsstrategien sowie die lokale Aktivität von Transkriptionsfaktoren aufzuzeigen.
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 zeigt, dass die UBL3-Domäne durch eine einzigartige, helixzentrierte dynamische Kontrolle charakterisiert ist, die sich von anderen Ubiquitin-ähnlichen Proteinen unterscheidet und potenzielle Ansatzpunkte für die Modulation ihrer Funktion bietet.
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.