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.
Die Studie stellt BulkMonSTR vor, ein computergestütztes Framework, das durch die Kombination von STR-spezifischer Fehlermodellierung und maschinellem Lernen somatische Mosaikmutationen an kurzen Tandemwiederholungen (STRs) aus Bulk-Sequenzierungsdaten präzise identifiziert und damit bestehende Methoden hinsichtlich Genauigkeit und Detektionsbreite übertrifft.
Die Studie stellt ein skalierbares, erklärbares und dateneffizientes Framework vor, das durch Feinabstimmung von Protein-Sprachmodellen die Bindungsaffinität von Proteinen ausschließlich aus der Sequenz vorhersagt und dabei sowohl in der Genauigkeit als auch in der Generalisierungsfähigkeit strukturbasierte Methoden übertrifft.
Die Ergebnisse des IMMREP25-Wettbewerbs zeigen, dass durch den Einsatz struktureller Modellierung die Vorhersage der Bindung von T-Zell-Rezeptoren an bisher unbekannte Peptide erstmals signifikant über das Zufallsniveau hinaus verbessert werden konnte.
Die Studie stellt scRitmo vor, ein probabilistisches Framework, das aus Einzelzell-Transkriptomdaten circadiane Phasen ableitet und durch Trennung biologischer Desynchronisation von technischem Rauschen eine präzise Quantifizierung der zellulären Synchronität ermöglicht.
Diese Studie stellt eine integrierte rechnerische und experimentelle Strategie vor, die durch einen konsensbasierten virtuellen Screening-Ansatz drei chemisch unterschiedliche GLP-1R-Agonisten identifiziert und dabei insbesondere das Pentapeptid DPDPE als vielversprechenden Leitstrukturen für die Entwicklung neuer Therapeutika gegen Diabetes und Adipositas hervorhebt.
Die Studie zeigt, dass die Verwendung des menschlichen Pangenom-Referenzgraphen die Erkennung somatischer Mutationen im Vergleich zu linearen Referenzgenomen verbessert, insbesondere bei Personen ostasiatischer Abstammung, wodurch ancestry-bedingte Verzerrungen verringert und die Notwendigkeit rechenintensiver Ensemble-Ansätze gemindert werden.
Das Paper stellt emb2dis vor, ein neuartiges Deep-Learning-Tool, das Protein-Language-Modelle mit ResNets und dilatierten Faltungen kombiniert, um intrinsische Unordnung in Proteinen präzise vorherzusagen und dabei auf dem CAID3-Benchmark die Spitzenposition erreicht hat.
Die Studie stellt VicMAG vor, ein Open-Source-Tool zur umfassenden Visualisierung zirkulärer metagenomischer Assemblierungen (cMAGs) aus Langread-Daten, das die Verteilung und den genomischen Kontext von Virulenz- und Antibiotikaresistenzgenen in komplexen mikrobiellen Gemeinschaften für die One-Health-Überwachung darstellt.
Das Paper stellt Baktfold vor, ein ultrasensitives und taxon-unabhängiges Python-Tool zur strukturbasierten funktionellen Annotation von Proteinsequenzen im gesamten mikrobiellen Baum des Lebens, das im Vergleich zu bestehenden Methoden wie Bakta und Prokka eine deutlich höhere Abdeckungsrate, insbesondere bei hypothetischen Proteinen, erreicht.
Die Studie stellt PSALM vor, eine Methode zur Protein-Domänen-Annotation, die einen vortrainierten Protein-Sprachmodell (ESM-2) mit einem strukturierten probabilistischen Decoder kombiniert, um eine Domänenerkennung mit einer Sensitivität-Spezifität-Balance zu ermöglichen, die mit der von HMMER vergleichbar ist.