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.
Der Artikel stellt scTGCL vor, einen effizienten Transformer-basierten Graph-Contrastive-Learning-Ansatz, der durch adaptive Gewichtung und robuste Datenverstärkung eine überlegene Leistung bei der Clustering-Analyse von scRNA-seq-Daten im Vergleich zu bestehenden Methoden erzielt.
Die Autoren stellen einen linearen Algorithmus vor, der bidirektionale Pangenom-Graphen durch Orientierung in gerichtete Graphen transformiert, um Ultrabubbles effizient zu identifizieren und dabei eine bis zu 250-fache Geschwindigkeitssteigerung gegenüber bestehenden Methoden wie vg und BubbleGun zu erreichen.
GraphBG ist ein skalierbares, bayesianisches Framework, das spektrale Graph-Convolutionen nutzt, um räumliche Domänen in großen, multi-slice und multi-modalen räumlichen Transkriptomik-Datensätzen präzise und effizient zu identifizieren.
Die Studie stellt KuafuPrimer vor, einen maschinellen Lernansatz zur Entwicklung von 16S-rRNA-Primern, die im Vergleich zu universellen Primern die Verzerrung bei der Sequenzierung bakterieller Gemeinschaften signifikant reduzieren und dadurch die taxonomische Genauigkeit sowie die Detektion seltener und pathogener Keime verbessern.
MetaGEAR Explorer ist eine webbasierte Plattform, die eine interaktive und programmierbare Analyse von über 33 Millionen mikrobiellen Genfamilien aus 9.053 Metagenom-Proben ermöglicht, um krankheitsassoziierte Gene und deren funktionelle Zusammenhänge über verschiedene Kohorten hinweg schnell zu identifizieren und zu untersuchen.
Die Studie zeigt, dass das KI-Modell Boltz-2 bei der virtuellen Screening-Herausforderung mit schwer zu klassifizierenden Datensätzen die beste Leistung erbringt und dabei eine doppelt so hohe Erfolgsrate wie andere Strategien erreicht, was präzise Rankings von Millionen von Verbindungen auf handelsüblicher Hardware ermöglicht.
Die Studie stellt SIR (Synergy via Isotonic Regression) vor, ein nichtparametrisches Framework mit wilder Bootstrap-Schätzung, das durch die Definition von Synergie als Abweichung von einer monoton-additiven Nullhypothese zuverlässigere p-Werte und höhere Reproduzierbarkeit bei der Identifizierung synergistischer Wirkstoffkombinationen im Vergleich zu bestehenden Methoden ermöglicht.
Dieses Paper stellt CosMxScope vor, ein leichtgewichtiges Open-Source-Framework, das die nahtlose Integration und Visualisierung von CosMx-Spatial-Transkriptomik-Daten in digitalen Pathologie-Umgebungen wie QuPath ermöglicht, indem es Rohdaten in rekonstruierte Ganzschnittbilder und GeoJSON-Objekte umwandelt.
Das Paper stellt den „Track Hub Quickload Translator" vor, eine webbasierte Anwendung, die Konfigurationsdateien zwischen dem UCSC Genome Browser und dem Integrated Genome Browser konvertiert und so Forschern erstmals den Zugriff auf Zehntausende veröffentlichter Genomassemblierungen in beiden Browsern ermöglicht.
Das in Python entwickelte VaLPAS-Framework nutzt experimentelle Multi-Omics-Daten, um durch statistische Assoziationsanalysen und das Prinzip der „Schuld durch Assoziation" bisher unbekannte Proteinfunktionen aufzuklären und so die funktionelle Dunkelheit im Proteinspace zu verringern.