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.
Die Autoren entwickelten „plant", eine de novo computergestützte Methode, die der Chromatographie analog ist und den Vergleich, die Annotation und die Quantifizierung von Proteindomänen in Transkriptomen nicht-modellorganismischer Spezies ohne Referenzgenom ermöglicht, wie durch eine Analyse von *Selaginella*-Arten unter Verwendung von 1KP-RNA-seq-Daten demonstriert wurde.
Dieser Beitrag zeigt, dass ein verbessertes generisches Datenschema eine hochpräzise Verknüpfung und eine robuste Probenverfolgbarkeit über komplexe, von mehreren Teams durchgeführte und mehrstufige Studien zu Malariaüberträgern in Tansania hinweg sicherstellt und eine nahezu perfekte Datenintegration von der Felderfassung über die Insektariumsaufzucht bis zur Laboranalyse erreicht.
Diese Studie zeigt, dass sowohl die Archaellum-basierte Motilität als auch F1-Typ-Chemosensorysysteme wahrscheinlich durch horizontalen Gentransfer von Archaea auf Chloroflexota-Bakterien übertragen wurden und damit eine gemeinsame evolutionäre Bahn zwischen diesen unterschiedlichen Domänen etablierten.
CardioSafe ist ein Multi-Task-Neurales Netz, das chemische und transkriptomische Merkmale integriert, um die Aktivität kardialer Ionenkanäle vorherzusagen, und dabei eine überlegene Leistung gegenüber bestehenden Methoden zeigt, sobald eine Reverse-Leak-Prüfung eine Kontamination der Trainingsdaten aufdeckte und entfernte, die zuvor die Benchmark-Ergebnisse für die Nav1.5- und Cav1.2-Kanäle künstlich aufgebläht hatte.
Diese Studie nutzt unvoreingenommene Molekulardynamiksimulationen, um die Insertionsenergetik von 28 Aminosäureanaloga in einer POPC-Doppelschicht zu quantifizieren, wodurch tiefenabhängige mittlere Kräftepotentiale erzeugt werden, die experimentelle Hydrophobizitätsskalen erfolgreich reproduzieren und die thermodynamischen Rollen von Protonierungszuständen und aromatischer Orientierung aufklären.
CausalKnowledgeTrace ist ein skalierbares, auf Python basierendes Rechenframework, das die automatische Erstellung evidenzbasierter kausaler Graphen aus biomedizinischer Literatur ermöglicht, um systematisch Confounder und Verzerrungsstrukturen zu identifizieren und so die kausale Inferenz in Beobachtungsstudien zu verbessern.
Die Arbeit stellt MucOneUp vor, ein spezialisiertes Simulationsframework zur Generierung von Benchmark-Datensätzen für die Bewertung der Leistung von Varianten-Calling-Tools bei der Detektion von MUC1-VNTR-Frameshift-Mutationen über mehrere Sequenzierungsplattformen hinweg.
Diese Studie zeigt, dass das Fehlen einer standardisierten Methodik bei der Detektion von Antibiotikaresistenzgenen zu massiven Diskrepanzen zwischen den Analyse-Pipelines führt, wodurch dieselben metagenomischen Daten zu widersprüchlichen biologischen Interpretationen führen und die Notwendigkeit unterstreichen, dass Forscher ihre gewählten analytischen Ansätze sorgfältig begründen und kommunizieren müssen.
Diese Studie zeigt, dass Open-Weight-Modelle für große Sprachmodelle, insbesondere Qwen2.5-32B-Instruct, synthetisch letale Interaktionen effektiv vorhersagen können, indem sie vortrainiertes biologisches Wissen nutzen, um Zufall und nicht-LLM-Methoden zu übertreffen, und damit eine skalierbare und interpretierbare Alternative zur Priorisierung neuer therapeutischer Zielstrukturen in der Krebstherapie bieten.
Dieser Beitrag stellt Latent-Aligned Multiview Normalizing (LAMNr)-Flows vor, ein Deep-Learning-Framework, das gemeinsame latente Unterräume über heterogene multimodale Datensätze hinweg erlernt, um eine exakte Likelihood-Modellierung, eine geschlossene Kreuzansicht-Imputation und eine computergestützte anatomische Interpretation von Populationsvorlagen sowie geodätische Interpolation zu ermöglichen, unterstützt durch eine umfassende Open-Source-PyTorch-Implementierung, die in das ANTsX-Ökosystem integriert ist.