💻 Category

bioinformatics

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.

💻 Bioinformatik

SPARKLE: evidence-constrained correction of local RNA leakage in high-resolution spatial transcriptomics

SPARKLE ist eine schnelle, referenzfreie computergestützte Methode, die lokale RNA-Leckage in der hochauflösenden räumlichen Transkriptomik korrigiert, indem sie innerhalb der Probe liegende Evidenz außerhalb der Maske nutzt, um ektopische Signale zu schätzen und zu entfernen, wodurch die Lokalisation von Zelltypen und die Zuverlässigkeit nachfolgender Analysen verbessert werden.

Wang, S., Zhu, B., Li, S., Wei, X.2026-08-20
💻 Bioinformatik

Relational Graph Convolutional Networks for Glioblastoma Biomarker Discovery via ceRNA and Copy Number Variation Analysis

Diese Studie führt ein neuartiges Late-Fusion-Relational-Graph-Convolutional-Network-Ensemble (RGCN) ein, das Daten zu konkurrierenden endogenen RNAs (ceRNA) und Kopienzahlvariationen (CNV) integriert, um fünf prognostische Biomarker, einschließlich hsa-miR-196a und hsa-miR-224, zur verbesserten Überlebensprognose und therapeutischen Zielsteuerung bei Glioblastomen zu identifizieren.

Khandelwal, S., Jarvis, N., Zhan, J.2026-08-20
💻 Bioinformatik

GlycoMeSH: linking glycan structures to biomedical context for systematic enrichment analysis

GlycoMeSH ist eine umfassende Ressource, die die Lücke zwischen Glykanstrukturen und dem biomedizinischen Kontext schließt, indem sie diese durch ein Inferenzmodell und eine nachvollziehbare Datenbank mit Medical Subject Headings (MeSH) verknüpft und dadurch eine systematische Anreicherungsanalyse über Glykowissenschafts-Datensätze hinweg ermöglicht.

Kitani, A., Zhang, B., Himori, K., Matsui, Y.2026-08-20
💻 Bioinformatik

PandaDock: An Open-Source Molecular Docking Platform with Flexible-Ligand Search and Equivariant Neural Scoring

PandaDock ist eine Open-Source-Plattform für molekulares Docking, die die konformative Suche flexibler Liganden mit analytischen Gradienten, spezialisierten Modulen für komplexe Bindungsszenarien und einer skalierbaren SE(3)-äquivarianten neuronalen Scoring-Funktion integriert, um eine wettbewerbsfähige Pose-Rekonstruktions- und Affinitätsprognose-Leistung über diverse Protein-Ligand-Targets hinweg zu erreichen.

Panda, P. K.2026-08-20
💻 Bioinformatik

Mantpy: a framework for extracellular matrix analysis in spatial proteomics

Das Paper stellt Mantpy vor, ein Framework für die räumliche Proteomik, das die extrazelluläre Matrix und deren Schnittstelle zu Zellen als räumliche Graphen darstellt, um eine gemeinsame Analyse, Visualisierung und maschinelle Lernfähigkeit jenseits traditioneller zellzentrierter Ansätze zu ermöglichen.

Ghafoor, M., Parkinson, J. E., Pham, T., Georgaka, S., Hayley, M. J., Jokl, E., Hanley, K. P., Allen, J. E., Sutherland (…)2026-08-19
💻 Bioinformatik

PerturbLDM: conditional latent diffusion for modelling single-cell perturbation responses

PerturbLDM ist ein auf dem Tahoe-100M-Datensatz vortrainiertes konditioniertes latentes Diffusionsframework, das bestehende Methoden übertrifft, indem es die transkriptionellen Antworten einzelner Zellen auf bisher ungesehene Wirkstoff-, Dosierungs- und Zelllinienkombinationen über verschiedene biologische Kontexte hinweg präzise vorhersagt und generiert.

Yu, L., Hsieh, K.-L., Chu, Y., Lan, Q., Zhao, X., Hsu, Y.-C., Wood, C. S., Rasmy, L., Pilie, P. G., Zhi, D., Zhao, Z., J (…)2026-08-19
💻 Bioinformatik

Conformal Uncertainty Quantification for BayesAge Epigenetic Age Predictions

Diese Arbeit zeigt auf, dass die Anwendung von Conformal Prediction auf die BayesAge-epigenetische Uhr die Erzeugung von distributionsfreien, kalibrierten Vorhersageintervallen für die altersbasierte Schätzung der DNA-Methylierung unter Verwendung eines minimalen Satzes von CpG-Stellen ermöglicht und damit das Fehlen einer Unsicherheitsquantifizierung in bestehenden Modellen mit Punktschätzungen adressiert.

Mitchell, M., Mboning, L., Bouchard, L.-S., Pellegrini, M.2026-08-19
💻 Bioinformatik

Cryptic binding sites are detected but not ranked: coverage, conversion, and detector consensus

Diese Arbeit zeigt auf, dass die Detektion kryptischer Bindungsstellen derzeit nicht durch die Fähigkeit zur Vorschlagserstellung begrenzt wird, sondern durch mangelhafte Rangfolge und fehlenden Konsens, wobei die Trennung von Coverage- und Conversion-Metriken signifikante Leistungsunterschiede offenlegt und zeigt, dass die Kombination von geometrischen und sprachmodellbasierten Detektoren innerhalb eines strikten Kandidatenbudgets die praktischsten Verbesserungen liefert.

Moore, C. W.2026-08-19
💻 Bioinformatik

Integration of proteomic data from cell lines and tumors

Die Autoren führen ProtInt ein, ein Deep-Learning-Framework, das proteomische Daten aus Krebszelllinien und Patiententumoren erfolgreich integriert, indem es die Herausforderungen durch fehlende Werte überwindet, wodurch bestehende Methoden übertroffen und entscheidende biologische Verschiebungen aufgedeckt werden, die notwendig sind, um präklinische Modelle besser mit der klinischen Realität in Einklang zu bringen.

Ta, C. Q., Auth, J. M., Schilling, M., Klingmüller, U., Raue, A.2026-08-19
💻 Bioinformatik

Method Choice, Not Biology, Determines In Silico Perturbation Results: A Systematic Evaluation of Eight Methods Across Four Datasets

Diese systematische Benchmarking-Studie zeigt auf, dass die Wahl der Berechnungsmethode und nicht die zugrunde liegende Biologie der primäre Determinant für In-silico-Perturbationsergebnisse ist, da die meisten weit verbreiteten Ansätze daran scheitern, kausale Transkriptionsfaktor-zu-Signalweg-Signale zu detektieren, und oft Schlussfolgerungen produzieren, die der experimentellen CRISPRi-Validierung widersprechen.

Wenjie, G., Wu, S., Hu, G., Yang, Z., Wang, Z., Cai, J., Mao, J.2026-08-19