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.
OncoMORPHIA ist eine kostenlose, browserbasierte Webplattform, die die 3D-Visualisierung von Proteinstrukturen mit klinischen Annotationen, Drug-Target-Interaktionen, Überlebensanalysen und KI-gestützten Interpretationen für Krebsmutationen in einer einzigen Schnittstelle vereint, um Forschern eine integrierte Analyse ohne bioinformatische Vorkenntnisse zu ermöglichen.
DeepTrio ist ein auf Deep Learning basiertes Werkzeug, das ohne explizite Vererbungspriors die Sequenzdaten von Eltern-Kind-Trios analysiert und dabei eine höhere Genauigkeit bei der Variantenentdeckung als DeepVariant erreicht, insbesondere bei niedrigeren Abdeckungstiefen und auf verschiedenen Sequenzierplattformen.
SSAlign ist ein ultraschnelles und hochempfindliches Werkzeug zur Suche nach Proteinstrukturen, das mithilfe von Protein-Sprachmodellen und einer zweistufigen Ausrichtungsstrategie die Skalierbarkeit und Genauigkeit bestehender Methoden wie Foldseek bei der Analyse massiver Strukturdatenbanken erheblich verbessert.
Die Studie zeigt, dass die Ankh-score-Methode, die auf Protein-Embeddings basiert, deutlich bessere Sequenzalignments erzeugt als strukturelle Alignments mit AlphaFold3 und traditionelle BLOSUM-Matrizen, was darauf hindeutet, dass Ankh-Embeddings zusätzliche Informationen enthalten.
Diese Studie zeigt, dass die Optimierung der Gewichte in genomischen Vorhersagemodell-Ensembles für Mais, beispielsweise mittels linearer Transformation, Nelder-Mead oder Bayes-Verfahren, die Vorhersagegenauigkeit insbesondere dann verbessern kann, wenn die optimalen Gewichte stark von der einfachen Durchschnittsbildung abweichen, wobei jedoch keine der drei untersuchten Methoden eindeutig überlegen war.
Diese Studie vergleicht drei KI-Agenten-Systeme bei der komplexen Proteinsuche und zeigt, dass Codex durch eine optimale Balance aus Sensitivität, Spezifität und hoher Wiederholbarkeit der Ergebnisse den anderen Systemen überlegen ist, wobei die Qualität der Agenten weniger von der reinen Output-Menge als vielmehr von präziser Prompt-Zerlegung, taxonomischer Eingrenzung und stabiler Ausführung abhängt.
Die Studie identifiziert eine methodische Verzerrung durch die contamination von Immunopeptidomik-Daten mit Vorhersagemodellen als Ursache für das Scheitern klinischer Erfolge, stellt diese durch die Einführung des Modells deepMHCflare auf rein experimentellen Daten korrigiert und demonstriert deren überlegene Leistung sowie klinische Relevanz.
Die Studie stellt CLEAR vor, ein bayesisches Framework für die Gen-Sets-Anreicherung, das durch die gemeinsame Modellierung kontinuierlicher Gen-Statistiken und die Berücksichtigung der hierarchischen Struktur von Gen-Sets redundante Ergebnisse reduziert und gleichzeitig die Sensitivität im Vergleich zu herkömmlichen Methoden erhöht.
Die Studie stellt das Generalised Pretrained Cytometry Transformer (GPCT) vor, ein interpretierbares Framework, das durch einen zytometriespezifischen Vorab-Trainingsprozess robuste und generalisierbare Vorhersagen auf Probenebene ermöglicht und gleichzeitig biologisch relevante Zellsubsets identifiziert.
Die Studie stellt DESPOT vor, ein anisotropes, wissensbasiertes Potenzial, das durch die Modellierung der bedingten Wahrscheinlichkeit von Liganden-Atomtypen an diskretisierten räumlichen Positionen um Proteinatome herum die Richtungsabhängigkeit molekularer Erkennung erfasst und damit die Leistung bei der Pose-Bewertung und virtuellen Screening-Aufgaben im Vergleich zu isotropen Methoden signifikant verbessert.