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.
RegimeFormer ist ein groß angelegtes Proteinmodell, das durch seine zugehörige RegimeAtlas-Datenbank mit über 200 Millionen Sequenzen globale Perturbationsregime etabliert, um Residuenebene-Mutations-Effekte vorherzusagen und das nachgeschaltete biologische Modellieren, insbesondere für ungesehene Proteine und Familien, zu verbessern.
Dieses Paper führt den Dynamic Hierarchical Interleaved Bloom Filter ein, eine skalierbare und aktualisierbare Indexierungsstruktur, die den aktuellen Stand der Technik des HIBF durch partielles Rebuilding erweitert, um eine effiziente groß angelegte Sequenzsuche zu ermöglichen, wobei die Fähigkeit demonstriert wird, über 100 TB an RNA-Seq-Daten zu indizieren und neue Proben 24- bis 65-mal schneller als konkurrierende Tools einzufügen.
Vipsania ist das erste unüberwachte Deep-Learning-Tool, das proteinkodierende Genstrukturen über diverse eukaryotische Genome hinweg präzise vorhersagt, indem es direkt aus unannotierten Sequenzen lernt und dadurch die Einschränkungen überwachter Methoden überwindet, die hochwertige Trainingsdaten erfordern und Schwierigkeiten mit entfernten oder basalen Kladen haben.
PhageTransformer ist ein Deep-Learning-Modell, das die Einschränkungen bestehender Werkzeuge überwindet, indem es skalierbare, präzise und schnelle Wirtsprognosen für Bakteriophagen bereitstellt, wie durch seine überlegene Leistung bei tausenden unabhängigen Phagen-Wirt-Paaren nachgewiesen wurde.
Das Papier stellt morphOTU vor, ein KI-gestütztes Framework, das durch selbstüberwachtes Lernen und hierarchisches Clustering direkt aus Präparatbildern operationale Biodiversitätseinheiten ableitet und so eine präzise Quantifizierung der Artenvielfalt sowie die Entdeckung morphologischer Muster selbst in Abwesenheit formaler taxonomischer Labels oder umfangreicher Trainingsdaten ermöglicht.
Das Papier stellt DeepTMHMM2 vor, einen neuartigen Prädiktor, der gleichzeitig eine präzise Vorhersage der Transmembran-Topologie – einschließlich bisher nicht modellierter Re-entrant-Regionen und Grenzflächen-Helices – sowie die subzelluläre Lokalisation über 17 biologische Membranen hinweg erreicht und dabei das weit verbreitete Vorkommen von Nicht-Durchquerungs-Segmenten im Proteom aufzeigt.
Diese Studie präsentiert eine aktualisierte XMAn-Datenbank, die umfangreiche COSMIC-Mutationsdaten integriert, um spezialisierte Peptid-Repositorien zu erstellen, die die massenspektrometrie-basierte Identifizierung krebsassoziierter mutierter Peptide ermöglichen, welche durch Standard-Kanondatenbanken typischerweise übersehen werden.
Diese Arbeit präsentiert ein hybrides Framework, das einen Variational Autoencoder zur Generierung synthetischer longitudinaler Trajektorien aus Querschnittsdaten des Nierenzellkarzinoms mit einem symbolischen Regelinduktionssystem kombiniert, um interpretierbare, probabilistische Prognosen der Krankheitsprogression zu erstellen, die die Genauigkeit von Deep Learning erreichen und gleichzeitig transparente, für Menschen lesbare Einblicke in die zugrunde liegenden molekularen Mechanismen bieten.
HIDE-Deconv ist ein Open-Source-Framework für hierarchische Dekonvolution, das die Schätzungen der Zellzusammensetzung über mehrere Auflösungsebenen hinweg gemeinsam optimiert, um biologisch relevante zelluläre Umbauprozesse in Krankheiten wie Lungenadenokarzinom und Sepsis aufzudecken, wobei es bestehende Methoden mit einzelner Auflösung übertrifft.
Das Papier stellt evoPLM-Tree vor, ein baumbewusstes bedingtes Sprachmodell, das phylogenetischen Kontext integriert, um virale Mutationsmuster und linienspezifische evolutionäre Trajektorien präzise vorherzusagen, wobei eine starke Übereinstimmung mit experimentellen funktionellen Einschränkungen nachgewiesen wird.