1235 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.
OpenAc4C ist die erste umfassende Wissensdatenbank, die mithilfe von Deep-Learning-Pipelines und verschiedenen Sequenzierungstechniken das ac4C-Epitranskriptom über 33 Arten hinweg kartiert, pathogene Varianten identifiziert und eine benutzerfreundliche Webplattform für die Erforschung dieser epigenetischen Modifikation bereitstellt.
Die Studie stellt VDJcraft vor, eine integrierte Pipeline zur präzisen Analyse von V(D)J-Rekombinationen aus Langread-Transkriptomdaten, die durch verbesserte Genentdeckung, die Identifizierung neuer Gen-Subklassen und die Charakterisierung krankheitsassoziierter Immunsignaturen, wie etwa bei COVID-19, bestehende Methoden übertrifft.
Diese Arbeit stellt drei neue, wiederholungsrobuste Schätzer für Mutationsraten vor, die auf k-Mer-Sketches basieren und sich durch ihre Überlegenheit gegenüber bestehenden Methoden bei der Analyse hochrepetitiver Sequenzen wie Alpha-Satelliten-DNA auszeichnen.
Die Studie stellt GP-GHS vor, ein skalierbares bayessches Framework, das mittels räumlich variierender Gaußscher Prozesse und eines Gruppen-Horseshoe-Priors räumlich heterogene Zell-Zell-Interaktionsnetzwerke aus multiplexen Gewebebilddaten rekonstruiert und dabei im Vergleich zu bestehenden Methoden eine überlegene Genauigkeit sowie die Identifizierung tumorspezifischer immunosuppressiver Netzwerke in kolorektalen Karzinomen ermöglicht.
Die Studie stellt ein interpretierbares, auf Aufmerksamkeit basierendes Deep-Learning-Framework vor, das durch die Integration multipler Omics-Daten (mRNA, miRNA, DNA-Methylierung) die Prognose des hepatozellulären Karzinoms signifikant verbessert und dabei biologisch relevante Biomarker identifiziert.
Die Studie stellt ProDive vor, einen Algorithmus zur systematischen Identifizierung von wiederverwendeten Proteinfragmenten über Familien hinweg, und zeigt, dass diese konservierten Strukturen primär der Initiierung der Proteinfaltung dienen.
Dieses Paper stellt INAEME vor, einen neuartigen bioinformatischen Workflow zur umfassenden Identifizierung und Priorisierung von Neoantigenen, der durch die Einbeziehung des gesamten Spektrums mutationaler Ereignisse – einschließlich Phasierung, somatischer und Keimbahnvarianten sowie Frameshifts – die Genauigkeit der Vorhersagen für die Krebsimmuntherapie signifikant verbessert.
Die Studie zeigt, dass die Integration fein aufgelöster struktureller Informationen, wie der Basenpaarungs-Log-Odds, in ein kompaktes Regressionsmodell namens STRAND die Vorhersagegenauigkeit der mRNA-Stabilität in Lösung im Vergleich zu bestehenden Methoden mehr als verdoppelt.
Diese Studie stellt einen umfassenden Benchmark für Long-Read-RNA-Sequenzierung in iNeuronen bereit, der verschiedene Technologien, Quantifizierungsmethoden und Sequenziertiefen in Bulk- und Einzelzell-Modi vergleicht, um praktische Leitlinien für das Studiendesign zu entwickeln und als Referenzdatensatz für die FMR1-Biologie zu dienen.
Das Papier stellt PanTEon vor, ein cross-kingdom Deep-Learning-Framework mit einer harmonisierten Datenbank und einer modularen Benchmarking-Plattform, das eine reproduzierbare und standardisierte Klassifizierung von Transposons über verschiedene Eukaryoten hinweg ermöglicht und dabei die Herausforderungen der generalisierbaren Vorhersage sowie die Vorteile von Ensemble-Methoden aufzeigt.