1197 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.
Die Studie stellt PhyCD vor, ein phylogeniegestütztes computergestütztes Werkzeug, das nahezu 5 Millionen SARS-CoV-2-Genome analysierte, um über 10.000 Kontaminationsereignisse zu identifizieren und nahezu 65.000 fehlerhafte Substitutionen zu maskieren, wodurch die Zuverlässigkeit nachgeschalteter Analysen zur Pathogen-Evolution und -Übertragung verbessert wird.
SLIM ist ein leichtgewichtiges, recheneffizientes Modell, das 64-dimensionale STRING-Netzwerk-Embeddings und einen geschlossenen Ridge-Regressions-Schätzer nutzt, um zelluläre Antworten auf genetische Perturbationen präzise vorherzusagen, wobei es häufig komplexe Deep-Learning-Baselines mit minimalen trainierbaren Parametern übertrifft.
Diese Arbeit zeigt, dass verwaiste wissenschaftliche Software, wie das aufgegebene MATLAB-basierte NuMorph-Toolkit, durch die Anwendung einer systematischen Re-Engineering-Methode, die von FAIR-Prinzipien und modernen Software-Engineering-Standards geleitet wird, erfolgreich gerettet und in nachhaltige, wiederverwendbare Community-Workflows wie nf-core/lsmquant transformiert werden kann.
Diese Studie vergleicht die genomweite SNP-Capture-Plattform (GxS) von Twist Bioscience mit der Ganzgenomsequenzierung und dem Illumina GSA-24-Array durch die Bewertung der Genotyp-Konkordanz und der Raten mendelscher Verletzungen bei 555 Individuen in 184 Kernfamilien, mit dem Ziel, eine unabhängige Bewertung dieser aufkommenden gezielten Sequenzierungstechnologie bereitzustellen.
Diese Arbeit präsentiert eine öffentlich zugängliche Datenbank, die 3D-instationäre Navier-Stokes-Simulationen und hochwertige Hexaeder-Netze für 779 Koronararterien enthält, die aus der FAME 2-Studie rekonstruiert wurden, mit dem Ziel, den Mangel an numerischen Hämodynamikdaten für datengesteuerte Modellierung und Anwendungen des maschinellen Lernens zu beheben.
Dieses Paper stellt TranScouter vor, ein leichtgewichtiges Encoder-Decoder-Framework, das durch LLMs abgeleitete Gen-Embeddings und transkriptomische Profile der Zielbedingung nutzt, um kompetitiv die transkriptionellen Antworten auf Gen-Perturbationen sowohl über bekannte als auch unbekannte biologische Bedingungen hinweg vorherzusagen.
Das Paper stellt SAHA vor, ein skalierbares R-Paket, das die Identifizierung von Zelltypen in Einzelzell- und Spatial-Transcriptomics-Studien beschleunigt, indem es einen schnellen, datenschutzwahrenden Label-Transfer mittels Zusammenfassungsstatistiken und benutzerdefinierter Hyperparameter ermöglicht, um transparente, semi-automatisierte Annotationsberichte zu generieren.
Die Autoren präsentieren BWR-finder, ein neuartiges, datenbankfreies Softwaretool, das einen parallelisierten, auf der BWT basierenden Seed-and-Extend-Algorithmus nutzt, um effizient interspersierte Repeats in gigantischen Genomen (über 10 Gb) mit verbesserter Geschwindigkeit und Speichernutzung im Vergleich zu bestehenden Tools bei gleichbleibend hoher Sensitivität nachzuweisen.
crispAIPE ist ein Transformer-basiertes probabilistisches Framework, das die Unsicherheit bei Prime-Editing-Ergebnissen quantifiziert, indem es konkurrierende Editierungsereignisse auf einem Simplex mit Dirichlet-Likelihood und Split-Conformal-Kalibrierung modelliert, was eine zuverlässige Vorhersage der Effizienz der Variantenkorrektur sowie verallgemeinerbare Design-Filter über verschiedene Zelltypen hinweg ermöglicht.
Obwohl Single-Cell-Foundation-Modelle einige gemeinsame strukturelle Muster in ihren Gen-Embeddings aufweisen, wie etwa eine ribosomale Anreicherung, sind geometrische Ausreißer weitgehend modellspezifisch und identifizieren nicht zuverlässig biologisch wichtige Gene oder krankheitsrelevante Zielstrukturen.