1178 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.
Pycea ist ein Open-Source-Python-Toolkit, das das TreeData-Format einführt, um Lineage-Tree-Daten nahtlos mit Einzelzellmessungen innerhalb des scverse-Ökosystems zu integrieren und so skalierbare Analysen, Visualisierungen und statistische Inferenzen für die zelluläre Abstammungsverfolgung zu ermöglichen.
Diese Studie verwendet eine Offline-Strukturvorhersage- und Suchpipeline, um die uncharakterisierte Fracht der salivären extrazellulären Vesikel des medizinischen Blutegels *Hirudinaria manillensis* zu annotieren, wobei erfolgreich eine Ly-6/uPAR-Three-Finger-Faltung einem Kandidaten zugewiesen sowie zwei strukturell unaufgelöste Proteine identifiziert und ein konserviertes Trypsin-ähnliches Genmodell validiert wurden.
Diese longitudinale proteomische Reanalyse von Tuberkulosepatienten zeigt, dass die Behandlung zwar eine breite Erholung der inflammatorischen und ernährungs-metabolischen Proteinsysteme bei sowohl unterernährten als auch normalgewichtigen Individuen vorantreibt, die auf dem Ausgangs-BMI basierende Unterernährung jedoch den Verlauf dieser Erholung nicht signifikant verändert, wenngleich die Studie nicht ausreichend leistungsstark ist, um eine Äquivalenz zwischen den Gruppen definitiv zu etablieren.
Das Paper stellt **smoothclust** vor, ein R-Paket, das einen auf räumlicher Glättung basierenden Clustering-Workflow sowie eine neuartige Grenz-Dichte-Metrik bereitstellt, um interpretierbare räumliche Domänen-Labels zu generieren und die Organisation der Gewebearchitektur in räumlichen Transkriptomik-Daten zu quantifizieren.
CellMethMarker ist eine umfassende, kuratierte Datenbank, die Hunderttausende von de novo und aus der Literatur abgeleitete DNA-Methylierungsmarker integriert, um eine zell- und gewebespezifische Identitätsinferenz, Visualisierung und eine verbesserte Dekonvolution von Methylomen zu ermöglichen.
Neopep ist ein sequenzkonditioniertes Diffusionsmodell, das den Datenmangel bei der Vorhersage nicht-kanonischer Peptidstrukturen überwindet, indem es Reinforcement Learning nutzt, um ein generatives Modell mithilfe einer maschinell gelernten Kraftfeldenergie fein abzustimmen, wodurch eine höhere Genauigkeit als bestehende State-of-the-Art-Methoden erreicht wird.
GLOM-TGITO ist ein multiskaliges Proteindesign-Framework, das globale-lokale Fluoreszenzvorhersage mit einer Multiview-Landschaftsgesteuerten Optimierung integriert, um effizient hochaktive, zuverlässige und neuartige Proteinvarianten zu entdecken, wobei es bestehende Methoden sowohl in der Vorhersagegenauigkeit als auch bei der Identifizierung strukturell stabiler Kandidaten übertrifft.
Der NK-RCPP-Workflow zeigt, dass die Integration von rezeptormatchierten On-Target-Scores mit strukturellen Nachbarschaftsvergleichen die Priorisierung von Neurokinin-Rezeptor-Peptid-Kandidaten signifikant verfeinert und eine distinkte Shortlist liefert, die sich von Selektionen unterscheidet, die ausschließlich auf der On-Target-Aktivität basieren.
Das Papier schlägt MPFIL vor, ein Framework zur Integration von Merkmalen auf mehreren Ebenen, das strukturelle und sequentielle Informationen kombiniert, um mutationsbedingte Änderungen der Protein-Protein-Bindungsaffinität effektiv vorherzusagen, wobei es eine wettbewerbsfähige Leistung über mehrere Benchmark-Datensätze hinweg demonstriert.
Dieses Paper präsentiert Omnibenchmark, ein reproduzierbares und standardisiertes Framework, das die Evaluierung von Single-Cell-RNA-Sequenzierung-Preprocessing-Pipelines vereinheitlicht, um Inkonsistenzen in bestehenden Benchmarks zu adressieren und flexiblere sowie erweiterbare Methodenvergleiche zu erleichtern.