1012 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.
MoE-Bind führt die erste spärliche Mixture-of-Experts-Architektur für das De-novo-Design von Proteinbindern ein und erreicht ein schnelleres, effizienteres und interpretierbares rein sequenzbasiertes Design, das dichte Baselines ohne die Notwendigkeit vorheriger Strukturinformationen erreicht oder übertrifft.
Dieses Paper führt Latent Event Mapping (LEMING) ein, eine skalierbare und interpretierbare unüberwachte Modellierungstechnik, die voxelbasierte Trajektorien multimodaler neuroimaging-bedingter Veränderungen bei der Alzheimer-Krankheit rekonstruiert und dadurch neue Erkenntnisse über progressionsabhängige Mechanismen, wie etwa den Zusammenhang zwischen Acetylcholinrezeptordichte und Amyloidpathologie im Spätstadium, aufzeigt.
Das Paper stellt STITCH vor, eine interpretierbare Methode basierend auf der Tangenten-Hauptkomponentenanalyse in einer Kendall-Form-Mannigfaltigkeit, die effektiv größenunabhängliche zelluläre Morphologie mit der Genexpression in der räumlichen Transkriptomik verknüpft und dabei bestehende Deep-Learning-Ansätze bei der Identifizierung biologisch relevanter Form-Transkriptom-Beziehungen über verschiedene Datensätze hinweg übertrifft.
Diese Studie führt ein Split-Conformal-Prediction-Framework ein, das auf die BeatAML 2.0-Kohorte angewendet wurde und erfolgreich statistisch kalibrierte Unsicherheitsintervalle für patientenbezogene AML-Arzneimitelsensitivitätsvorhersagen generiert, wobei unterschiedliche Unsicherheitsschemata über Wirkstoffklassen hinweg aufzeigt und gleichzeitig demonstriert, dass eine solche Unsicherheit unabhängig von standardmäßigen molekularen Risikoklassifikationen ist.
Das Paper stellt scCRAFT+ vor, ein robustes semi-überwachtes scRNA-seq-Integrationsmodell, das Virtual Adversarial Training nutzt, um Markergen-Informationen einzubeziehen und dadurch die Einschränkungen bestehender Methoden bei der Bewahrung feingranularer Zellsubtyp-Unterscheidungen sowie der Verbesserung der Annotationsgenauigkeit selbst bei verrauschten oder unvollständigen Marker-Sets zu überwinden.
Pillbox ist ein auf Leckage-Audits basierender Foundation-Model-Prädiktor, der CpGPT, CLAMP und Genexpressions-Embeddings über FiLM-konditionierte Graph-Attention integriert, um eine hohe Genauigkeit bei der Vorhersage der Krebsmedikamenten-Reaktion zu erreichen, während er mittels kreuzarchitektonischer Residuenkorrelation die Sättigung der Feature-Stacks diagnostiziert und bestätigt, dass die Gewebelinieage weiterhin der dominante Faktor für die Medikamentenreaktion bleibt.
Dieses Paper stellt GermRL vor, ein leichtgewichtiges Reinforcement-Learning-Framework, das den Keimbahn-Bias in autoregressiven Antikörper-Sprachmodellen effektiv abmildert und die One-Shot-Generierung strukturell plausibler, diverser Antikörper-Kandidaten mit hohen Mutationsschwellen aus Keimbahnsequenzen für die therapeutische Entdeckung ermöglicht.
DivQuant ist ein optimierungsbasiertes Werkzeug, das die Schätzung der Artenvielfalt und des Shannon-Entropie-Werts aus kleinen Stichproben verbessert, indem es das Problem als konvexes quadratisches Programm mit einem Neyman--Ziel formuliert und dadurch im Vergleich zu modernsten Methoden über diverse biologische Datensätze hinweg gut kalibrierte Konfidenzintervalle und eine überlegene Genauigkeit erreicht.
Der T21 Research Assistant ist ein sektionsbewusstes Retrieval-Augmented-Generation-System, das auf NVIDIA Nemotron-Modellen basiert und experimentelle Ergebnisse aus 1.789 Open-Access-Publikationen zum Down-Syndrom priorisiert, um streng zitierte, evidenzbasierte Antworten auf Forschungsanfragen bereitzustellen.
EditorForge ist ein modulares Framework, das das auf Inverse-Folding basierende Proteindesign durch die Integration von expliziten Design-Masken, aktiven Zentren abschirmenden Schutzmechanismen und struktureller Qualitätskontrolle verbessert, um sicher beschränkte, hochkonfidente Sequenzkandidaten für Enzym- und Genom-Editor-Domänen zu generieren.