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.
Diese Arbeit stellt EvoBind-multimer vor, ein Deep-Learning-Framework, das das De-novo-Design von makrozyklischen Molekül-Glues allein aus Proteinsequenzen ermöglicht, um Proximität zu induzieren und den gezielten Proteinabbau voranzutreiben, während es gleichzeitig aufzeigt, dass das funktionelle Ergebnis dieser Glues kontextabhängig zwischen verschiedenen patientenabgeleiteten Modellen variieren kann.
Das Paper führt EnzymARC ein, einen neuartigen Benchmark-Datensatz aus strukturell gestörten Enzym-Decoys, um zu demonstrieren, dass aktuelle State-of-the-Art-Enzymfunktions-Prädiktoren stark auf phylogenetischen Abkürzungen beruhen und daran scheitern, katalytisch inkompetente Varianten von funktionellen Enzymen zu unterscheiden, wodurch die kritische Notwendigkeit von struktur-bewussten Negativbeispielen bei der Modelltrainierung und -evaluierung hervorgehoben wird.
Das Papier stellt antigen-prime vor, einen Vorwärtszeit-Epidemiesimulator, der genetische Sequenzen mit antigenen Phänotypen unter Wirtselektion verknüpft, um Grundwahrheitsdaten für das Benchmarking von Methoden zur Influenza-Variantenzuordnung und Wachstumsratenschätzung zu generieren und dabei sowohl deren Genauigkeit als auch spezifische Fehlermodi aufzuzeigen.
Diese Studie zeigt auf, dass die standardmäßige gradbasierte Genpriorisierung systematisch Nicht-Hub-Connector-Gene übersieht, die für die Koordination biologischer Prozesse essenziell sind, und schlägt EDVS vor, ein partitionsfreies, informationstheoretisches Zentralitätsmaß, das diese ausgelassenen Gene erfolgreich wiederherstellt, ohne auf funktionelle Annotationen oder Community-Detektion angewiesen zu sein.
SVlog ist ein transparentes, deklaratives Logikprogrammier-Framework, das auf Souffle aufbaut und eine schnelle, deterministische sowie erklärbare Analyse, Annotation und Priorisierung von Strukturvarianten für die klinische Krankheitskuratierung ermöglicht, indem es genomische Daten in relationale Fakten umwandelt und komponierbare logische Regeln anwendet.
Diese Arbeit schlägt ein vergleichendes *in silico*-Framework vor, das zeigt, dass pflanzliche und menschliche mitochondriale Stress-Signalnetzwerke zwar in ihrer Komplexität divergieren, aber grundlegende organisatorische Prinzipien teilen, was darauf hindeutet, dass die einfacheren, auf Resilienz ausgerichteten pflanzlichen Systeme als konzeptionelles Modell dienen können, um testbare Hypothesen über die Anfälligkeit für menschliche mitochondriale Erkrankungen zu generieren.
Das Paper stellt arteMIS vor, ein systematisches Framework, das die Parameter des Molecular Networking durch Multi-Metrik-Evaluierung und Latin Hypercube Sampling optimiert, um die Einschränkungen von Standardeinstellungen zu überwinden und dadurch robustere, chemisch aussagekräftigere und stabilere Netzwerke über verschiedene Datensätze und Scoring-Methoden hinweg zu erzeugen.
Dieses Paper stellt ein neues PyMOL-Plugin vor, das verschiedene Methoden der Schaltkreis-Topologie mit einer benutzerfreundlichen Oberfläche und einer reproduzierbaren Umgebung integriert, um die Topologie sowohl strukturierter als auch ungeordneter Proteine zu analysieren.
Dieses Paper stellt SPIRAL vor, ein Sparse-Autoencoder-Framework, das die verborgenen Zustände des BiRNA-BERT RNA-Sprachmodells erfolgreich in interpretierbare, nukleotid-ausgerichtete Merkmale dekodiert, welche Sekundärstrukturen und RNA-Familientypen repräsentieren, und dadurch die Performance der nachgelagerten Vorhersage trotz der Herausforderungen durch Byte-Pair-Tokenisierung verbessert.
Dieses Paper stellt scDblFinderPy vor, eine Python-Implementierung des auf R basierenden scDblFinder-Doublet-Detektions-Tools, welche dessen hohe Leistungsfähigkeit repliziert und gleichzeitig eine optionale GPU-Unterstützung hinzufügt, um die Verarbeitung großer Mengen an Einzelzell-Sequenzierungsdaten zu beschleunigen.