1242 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 PSALM vor, eine Methode zur Protein-Domänen-Annotation, die einen vortrainierten Protein-Sprachmodell (ESM-2) mit einem strukturierten probabilistischen Decoder kombiniert, um eine Domänenerkennung mit einer Sensitivität-Spezifität-Balance zu ermöglichen, die mit der von HMMER vergleichbar ist.
Diese Studie stellt mit PIPI-C eine neuartige Pipeline für die „Aminosäure-Substitutomik" vor, die durch die großangelegte Analyse von Proteomdaten in fünf Krebsarten weitgehend neue, posttranslational entstandene Aminosäuresubstitutionen identifiziert und damit neue Einblicke in biologische Mechanismen sowie Resistenz- und Entweichungsstrategien von Tumoren liefert.
Diese bioinformatische Studie zeigt, dass die übermäßige Expression des Gens ITGB1 bei 12 Krebsarten mit einer schlechten Prognose und Therapieresistenz einhergeht und es somit als vielversprechender Biomarker für die Krebsbehandlung identifiziert.
Diese systematische Übersicht zeigt, dass Deep-Learning-Methoden wie Variational Autoencoder zwar häufig zur Subtypisierung, Diagnose und Prognose in der Krebsomik eingesetzt werden, jedoch aufgrund des Mangels an longitudinalen Daten die zeitliche Dynamik der Krankheitsprogression meist unzureichend abbilden, weshalb der Einsatz von VAEs als generative Modelle für die zeitbasierte Analyse, etwa beim Staging, als vielversprechender Ansatz für zukünftige Fortschritte identifiziert wird.
Die Studie stellt EnzyGen2 vor, ein 730-Millionen-Parameter-Modell, das durch gleichzeitiges Co-Design von Sequenz und Struktur unter Ligandenführung neuartige, hochaktive Enzyme mit experimentell bestätigter katalytischer Leistung erzeugt und dabei bestehende Methoden in Geschwindigkeit und Genauigkeit übertrifft.
Das Paper stellt Flipper vor, ein auf DESeq2 basierendes Framework zur präzisen Identifizierung differenzieller RNA-Bindungsverhalten in eCLIP-Daten, das durch integrierte Input-Kontrollen und hierarchische Normalisierung expressionbedingte Effekte von echten Bindungsänderungen trennt und damit bestehende Analysemethoden in Genauigkeit und biologischer Aussagekraft übertrifft.
Die Studie stellt CCIDeconv vor, ein hierarchisches Modell, das es ermöglicht, Zell-Zell-Interaktionen in nicht-räumlichen Einzelzell-RNA-Sequenzierungsdaten auf subzelluläre Bereiche wie Zytoplasma und Zellkern zu dekonvolvieren, indem es auf trainierten räumlichen Transkriptomdaten basiert.
Diese Studie nutzt Single-Cell-RNA-Sequenzierung und mathematische Modellierung, um nachzuweisen, dass schwere Parodontitis durch eine irreversible transkriptionelle Hysterese gekennzeichnet ist, die durch einen niedrigen Regenerations-Permissionsindex (RPI) quantifiziert wird und somit eine präzisionsmedizinische Entscheidungsgrundlage für die Unmöglichkeit einer Geweberegeneration liefert.
Die Studie stellt das retrainierbare Deep-Learning-Framework BlueSTARR vor, das auf Basis von Whole-Genome-STARR-seq-Daten trainiert wird, um die regulatorischen Effekte nichtkodierender Varianten vorherzusagen, globale Signale der purifizierenden Selektion aufzudecken und bindungsabhängige Muster unter Drogenperturbationen zu modellieren.
Die Studie stellt IDBSpred vor, einen maschinellen Lernalgorithmus, der mithilfe von Protein-Sprachmodell-Embeddings (ESM-2) erfolgreich intrinsisch ungeordnete Bindungsstellen auf strukturierten Proteinen vorhersagt und damit ein praktisches Werkzeug für die Erforschung von IDP-vermittelten Schnittstellen bietet.