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.
Diese Arbeit zeigt, dass die systematische Optimierung und gezielte Anpassung von Multiple-Sequence-Alignments (MSA) und strukturellen Templates die Vorhersagegenauigkeit von AlphaFold3 für Protein-Monomere, -Multimere und Protein-Ligand-Komplexe signifikant verbessert und dabei AlphaFold3 erstmals auch bei identischen Eingabedaten klar gegenüber AlphaFold2 überlegen macht.
Die Studie zeigt durch eine mechanistische Interpretierbarkeit von AlphaFold 3, dass das Modell für präzise Strukturvorhersagen primär auf phylogenetische Vielfalt in den Multiple Sequence Alignments angewiesen ist, um evolutionär konservierte Positionen zu identifizieren und strukturelle Priors zu aktivieren, wobei bereits wenige divergente Homologe ausreichen, während reine Sequenzähnlichkeit oder das Fehlen von Alignments die Vorhersageleistung zusammenbrechen lassen.
Die Studie stellt ein Netzwerk-basiertes Framework vor, das durch die Integration der Richtung von Fold-Changes über verschiedene Proteom-Datensätze hinweg biologisch konsistente Zusammenhänge aufdeckt, wobei sich Doxorubicin-behandelte MCF-7-Zellen als zentraler Knotenpunkt für Brustkrebs-Proteomprofile erwiesen.
Das Paper stellt SCIGMA vor, ein skalierbares und generalisierbares Deep-Learning-Framework, das durch uncertainty-aware contrastive learning und Multi-View-Graph-Neural-Networks eine robuste Integration von bis zu fünf räumlichen Multi-Omics-Modalitäten ermöglicht und dabei überlegene Leistung bei der Erkennung räumlicher Domänen sowie schätzbare Unsicherheitsmaße für biologische und technische Heterogenität bietet.
CHORD ist ein Framework zur Integration einzelzellbasierter Daten über Arten hinweg, das durch das gemeinsame Lernen von Repräsentationen für Gene, Zellen und Zelltypen konservative sowie divergente hierarchische Beziehungen und funktionale Zusammenhänge aufdeckt.
Die Studie stellt LinkD vor, ein integriertes Framework, das strukturbasierte Diffusionsmodelle, Entropie-basierte Selektivitätsbewertungen, zelluläre Phänotypen und klinische EHR-Daten vereint, um systematisch und validiert neue Anwendungen für bestehende Medikamente zu identifizieren.
BioEngine schließt die Lücke zwischen kuratierten KI-Modellen und skalierbarer Rechenleistung, indem es Biologen ermöglicht, Modelle über einen Agenten-Interface auf beliebiger Hardware auszuführen, anzupassen und zu erweitern.
Die Studie stellt PEACE vor, eine leichte Pipeline, die ProtTrans-Einbettungen mit prototypbewusstem kontrastivem Training kombiniert, um die Vorhersage von Effektorproteinen bei pathogenen Pilzen und Oomyceten im Vergleich zu EffectorP 3.0 zu verbessern und dabei die extreme Klassenungleichheit wirksam zu adressieren.
Die Studie stellt GTStrDTI vor, ein hierarchisches Transformer-Framework, das graphbasierte 3D-Strukturinformationen von Proteinen mit intragraphischer und cross-modaler Aufmerksamkeitsmechanismen kombiniert, um die Vorhersage der Bindungsaffinität zwischen Wirkstoffen und Zielproteinen unter schwierigen Bedingungen signifikant zu verbessern.
Die Studie zeigt, dass ein automatisierter Agent-gestützter Suchalgorithmus im Vergleich zu herkömmlichen manuellen oder evolutionären Methoden (wie NSGA-II) die Effizienz bei der Priorisierung von Peptid-Kandidaten für die antimikrobielle Wirkstoffentwicklung signifikant verbessert, indem er 65 % der besten Kandidaten in den Top-20-Listen identifiziert.