1238 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.
Das Paper stellt Correlate vor, eine browserbasierte Webanwendung, die es Forschern ermöglicht, CRISPR-Screen-Daten des Cancer Dependency Map (DepMap) zu nutzen, um funktionale Genabhängigkeiten und -netzwerke direkt aus den experimentellen Daten abzuleiten, ohne auf vordefinierte biologische Annotationen angewiesen zu sein.
Die Studie stellt snoFlake vor, ein Netzwerkmodell, das die kanonische Rolle von snoRNAs erweitert und SNORD22 als neuen Splicing-Regulator identifiziert, der über die Bildung nicht-kanonischer Komplexe mit U5-snRNP-Komponenten die Exon-Einschluss-Wahrscheinlichkeit bei schwachen Spleißstellen erhöht.
Diese Studie nutzt einen integrativen computergestützten Ansatz, um siRNAs gegen das konservierte VP4-Protein des Rotavirus A zu entwerfen und durch strukturelle Modellierung sowie Molekulardynamik-Simulationen deren Stabilität und Kompatibilität mit dem menschlichen RISC-Ladeapparat zu bewerten, um so eine rationale Grundlage für die Entwicklung gezielter antiviraler Therapien zu schaffen.
Die Studie stellt „Nettle" vor, eine Open-Source-Methode zur Verbesserung der Quantifizierung in der DIA-Proteomik durch Imputation von Retentionszeitgrenzen anstelle von fehlenden Intensitätswerten, was zu genaueren Ergebnissen, niedrigeren Nachweisgrenzen und der Möglichkeit führt, quantitative Verhältnisse in Fällen zu bestimmen, die mit herkömmlichen Ansätzen nicht lösbar wären.
Die Studie stellt PlantCAD2 vor, einen effizienten, pflanzenspezifischen DNA-Grundlagenmodell mit 676 Millionen Parametern und einem Kontextfenster von 8.192 Basenpaaren, das auf 65 Angiospermen-Genomen trainiert wurde und durch überlegene Vorhersagegenauigkeit bei evolutionärer Konservierung, Chromatinzugänglichkeit und Genexpression die Grenzen bestehender Modelle wie Evo2 und AgroNT in der Pflanzen genomik überwindet.
Das Paper stellt PathogenSurveillance vor, eine quelloffene, automatisierte Nextflow-Pipeline, die Whole-Genome-Sequenzierungsdaten für die populationsgenomische Analyse und die Identifizierung von Pathogenen auf Art- und Unterartniveau verarbeitet und dabei sowohl kurze als auch lange Leselängen sowie gemischte Proben unterstützt.
CellWHISPER ist ein statistisches Framework, das mithilfe eines speziellen Hypothesentests und latenter Variablenmodelle direkte Zell-Zell-Kommunikation aus räumlichen Transkriptomdaten präzise von struktureller Nähe unterscheidet, um robuste und skalierbare Einblicke in Gewebe- und Krankheitsmechanismen zu ermöglichen.
Die Studie stellt seq2ribo vor, ein hybrides Framework aus strukturierter Simulation und maschinellem Lernen, das allein auf Basis von mRNA-Sequenzen hochpräzise Ribosomen-Profilvorhersagen ermöglicht und damit die rationale Optimierung von mRNA für Anwendungen wie Impfstoffe ohne experimentelle Daten erlaubt.
Diese Studie stellt den Dynamic Consistency Index (DCI) vor, um vorhersagbare Gene in zeitlichen scRNA-Seq-Daten über Zelltypen hinweg zu identifizieren, und kombiniert diese Auswahl mit einem uncertainty-bewussten rekurrenten neuronalen Netzwerk, um die Modellierung der Genexpressionsdynamik nach Trauma zu verbessern.
Die Studie stellt GATSBI vor, ein graphenbasiertes Framework zur Erstellung kontextbewusster Protein-Embeddings, das durch biologisch motivierte Datenaufteilungen und eine taskspezifische Evaluierung die Vorhersagegenauigkeit für sowohl gut als auch schlecht untersuchte Proteine im Vergleich zu bestehenden Methoden signifikant verbessert.