💻 Category

bioinformatics

1012 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.

💻 bioinformatics

There and back again: a multi-omics tale of thyroid co-expression network rewiring

Diese Studie etabliert einen Best-Practice-Rahmen für die Konstruktion simultaner Multi-Omics-gewichteter Gen-Ko-Expressionsnetzwerke zur Analyse der Schilddrüsentoxizität und -erholung in einem Nagetiermodell und zeigt, dass das Konkatenieren unskalierter Omics-Schichten die biologische Struktur bewahrt, während sie durch komplementäre Modul-Erhaltungs- und differentielle Konnektivitätsanalysen umfangreiche molekulare Störungen und eine teilweise Wiederherstellung aufdecken.

Pozhidaeva, M., Bussmann, H., Huisinga, M., Buesen, R., Hackermüller, J., Canzler, S.2026-05-27
💻 bioinformatics

GAE-Δ: A Graph-Learning Framework for Gene Network Rewiring and Clinical Outcome Prediction from Multi-Omics Data

Das GAE-Δ-Framework nutzt einen Graphen-Autoencoder, um phänotypspezifische Umverdrahtungen von Gen-Netzwerken über Multi-Omics-Daten hinweg zu modellieren, und erzielt im Vergleich zu bestehenden linearen Faktorisierungs- und netzwerkbasierten Methoden eine überlegene Vorhersage klinischer Ergebnisse sowie die Identifizierung biologisch relevanter Krebs-Treiber.

Tang, Z., Chen, Z., Chen, M., Wang, Y., Ennis, S., Niranjan, M., Ewing, R.2026-05-26
💻 bioinformatics

Decoding Multicellular Communication Motifs from Spatial Transcriptomics with ALARMIST

Die Arbeit stellt ALARMIST vor, ein probabilistisches Framework, das interpretierbare multizelluläre Kommunikationsmotive aus räumlichen Transkriptomdaten decodiert, um Signalmuster höherer Ordnung und deren nachgelagerte phänotypische Auswirkungen zu identifizieren, und demonstriert dabei seine Nützlichkeit bei der Aufdeckung mikroumgebungsbedingter Treiber des Tumorprogressions bei Lungenadenokarzinom und Glioblastom.

Fan, J., Hood, J., Strong, J., Quinn, J. F., Dai, Y., Data Science TeamLab,, Schein, A., Yu, K. K. H., Tansey, W.2026-05-26
💻 bioinformatics

Integrated optimization of experimental and computational workflows improves genome recovery in long-read gut metagenomics

Dieser Beitrag stellt eine systematische Optimierung der CycloneSEQ-Plattform vor, die experimentelle Probenverarbeitung mit computergestützten Assemblierungsworkflows integriert, um die Einschränkungen der Short-Read-Sequenzierung zu überwinden und die Gewinnung vollständiger mikrobieller Genome aus Long-Read-Darmmetagenomik erheblich zu verbessern.

Hu, Y., Sun, L., Huang, Y., Jiang, F., Tong, X., Yang, J., Ju, Y., Yang, Z., Liufu, S., Hu, Y., Ma, W., Guo, R., Li, W. (…)2026-05-26
💻 bioinformatics

Characterizing homology-induced data leakage and memorization in genome-trained sequence models

Dieser Artikel zeigt, dass homologiebedingte Datenlecks die Leistung genomtrainierter Sequenzmodelle systematisch aufblähen, indem sie dazu führen, dass diese Modelle auf auswendig gelernten Assoziationen statt auf generalisierbaren Prinzipien beruhen, und stellt das Tool hashFrag vor, um eine homologiebewusste Datenaufteilung für eine zuverlässigere Evaluation und eine verbesserte Modellgeneralisierbarkeit zu ermöglichen.

Rafi, A. M., Kiyota, B., Yachie, N., de Boer, C. G.2026-05-25
💻 bioinformatics

Time-Resolved Phosphoproteomics-Guided BFS Beam Search Reveals Cell-Type-Specific EGFR Signaling Architectures and SHP2 Inhibitor-Induced Pathway Rewiring

Diese Studie stellt ein systematisches rechnerisches Framework vor, das zeitlich aufgelöste Phosphoproteomik mit einem durch BFS geleiteten Beam-Search-Algorithmus integriert, um zelltypspezifische EGFR-Signalnetzwerke zu rekonstruieren, und zeigt erfolgreich auf, wie die Hemmung von SHP2 Signalwegarchitekturen umverdrahtet und adaptive Resistenzmechanismen antreibt.

Lee, H., Lee, G.2026-05-23
💻 bioinformatics

Interpreting Omics Data Analysis with Large Language Models for Disease Target and Drug Discovery

Dieser Beitrag stellt ein herkunftsorientiertes Text-zu-Ziel-Framework vor, das die schema-geschränkte Abrufsuche mit großen Sprachmodellen mit der Analyse numerischer Omics-Daten integriert, um interpretierbare, revisionsbereite Krankheitsziele und Strategien zur Wirkstoffentwicklung zu generieren, wobei eine signifikante Validierung bei der Alzheimer-Krankheit und dem Pankreasgangadenokarzinom demonstriert wird.

XU, Z., Chen, W., Ren, W., Xu, T., Amaechin, S., Khan, R., Chen, Y., Province, M., Payne, P., Li, F.2026-05-23
💻 bioinformatics

Asymmetric Contrastive Objectives for Efficient Phenotypic Screening

Dieser Artikel stellt asymmetrische kontrastive Zielvorgaben vor, darunter eine geometrisch inspirierte SPC-Variante, die experimentelle Metadaten als gelernte Klassenvektoren integriert, um effizient Bildrepräsentationen für die phänotypische Screening zu extrahieren, die in mehreren Datensätzen und Metriken früheren Methoden überlegen sind und gleichzeitig bei begrenzten Daten- und Rechenressourcen wirksam bleiben.

Nightingale, L., Tuersley, J., Warchal, S., Cairoli, A., Howes, J., Shand, C., Powell, A., Green, D., Strange, A., Howel (…)2026-05-22
💻 bioinformatics

Rewriting protein alphabets with language models

Dieser Artikel stellt TEA vor, ein neuartiges 20-Buchstaben-Protein-Alphabet, das durch kontrastives Lernen aus Embeddings von Sprachmodellen abgeleitet wird und eine schnelle und sensitive Fernhomologieerkennung ermöglicht, die mit strukturbasierten Methoden konkurriert, während sie bestehende Sequenzsuchalgorithmen nutzt.

Pantolini, L., Studer, G., Engist, L., Pudziuvelyte, I., Pommerening, F., Waterhouse, A. M., Bienert, S., Tauriello, G. (…)2026-05-22