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.
Diese Arbeit stellt eine hocheffiziente Methode zur Genprädiktion vor, die auf einem Convolutional Neural Network (CNN) basiert und DNA-Sequenzen des menschlichen Genoms (GRCh38) unter Verwendung von TFxIDF-Features analysiert, um mit state-of-the-art-Ergebnissen Gene und Pseudogene zu identifizieren.
Diese Studie bewertet sieben computergestützte Methoden zur Bereinigung von Einzelzell-RNA-Sequenzierungsdaten von umgebender RNA und stellt fest, dass zwar keine einzelne Methode in allen Szenarien überlegen ist, CellBender, DecontX und SoupX jedoch generell gut abschneiden.
Die Autoren stellen einen DGIdb-Model-Context-Protocol-Server vor, der es großen Sprachmodellen ermöglicht, über natürliche Sprache direkt auf aktuelle Informationen der Drug-Gene Interaction Database zuzugreifen und so präzise biomedizinische Fragen zu beantworten.
Die Studie stellt einen adaptiven Autoencoder mit Dirichlet-Prozess-Prior vor, der durch die Optimierung der geometrischen Clusterstruktur in Einzelzell-Daten zwar die visuelle und manifolde Darstellung verbessert, jedoch einen Kompromiss bei der Genauigkeit der Zelltyp-Labels erfordert, wodurch sich ein abgestuftes Anwendungsspektrum für verschiedene Analyseziele ergibt.
Die Arbeit stellt Topic-FM vor, eine Familie neuronaler Topic-VAEs mit simplexbeschränktem latenten Raum und Fluss-basiertem Feintuning, die durch die Erzeugung direkt interpretierbarer Gen-Programme und signifikant verbesserte Clustering-Metriken auf 56 scRNA-seq-Datensätzen die interpretierbare Entdeckung biologischer Muster in der Einzelzell-Transkriptomik ermöglicht.
Diese Studie identifiziert anhand von 237 Teilnehmern spezifische Serum-Metaboliten-Signaturen, darunter piperinhaltige Nahrungsmittelbestandteile und veränderte Metaboliten von Betablockern, die mit kognitiver Resilienz im Alter assoziiert sind.
Diese Studie zeigt, dass die Integration der subzellulären Lokalisation in ein maschinelles Lernmodell die Vorhersage der Proteindetektierbarkeit in verschiedenen Krebsarten erheblich verbessert und dabei systematische Diskrepanzen zwischen RNA- und Proteinexpression aufdeckt, die auf strukturierte biologische Prozesse hinweisen.
Das Paper stellt CROWN vor, einen umfassend kuratierten und maschinenlern-fähigen Datensatz von 153.005 Protein-Ligand-Komplexen, der durch einen automatisierten Vorverarbeitungsprozess und eine einzigartige energie-minimierende Nachbearbeitung die Lücke zwischen der hohen strukturellen Qualität kleinerer Datenbanken und der breiten Abdeckung großer Ressourcen schließt, um die Entwicklung von KI-Modellen für Bindungsstellen zu verbessern.
Die Arbeit stellt Claw4Science vor, eine kuratierte Datensammlung und eine öffentliche Plattform, die das fragmentierte OpenClaw-Ökosystem wissenschaftlicher KI-Agenten durch die Zusammenführung von 91 Projekten und 2.230 Fähigkeiten in einer einheitlichen Schnittstelle strukturiert, um die Entdeckung, Vergleichbarkeit und Weiterentwicklung modularer wissenschaftlicher Workflows zu ermöglichen.
Die Studie entwickelt und evaluiert robuste Random-Frameworks für die genomische Vorhersage, wobei sie zeigt, dass Transformationsstrategien, insbesondere rangbasierte Ansätze, die Vorhersageleistung bei kontaminierten Daten in Pflanzen- und Tierzucht am effektivsten stabilisieren, während Standard-Random-Forests bei sauberen Daten vorzuziehen bleiben.