💻 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

AnnoAudit: a marker-based protocol for auditing single-cell atlas annotations reveals systematic, state-dependent annotation failure in a widely used traumatic brain injury resource

Dieses Paper stellt AnnoAudit vor, ein markerbasiertes Protokoll, das systematische Annotationsfehler in weit verbreiteten Einzelzell-Atlanten aufdeckt, wie etwa der CEREBRI-Ressource für traumatische Hirnverletzungen, bei der die Mehrheit der als glutamaterge Neuronen bezeichneten Zellen tatsächlich nicht-neuronal ist, was zu signifikanten biologischen Artefakten führt, die bei einer Re-Annotation korrigiert werden.

Zhang L, Yan Q, Rao H, Li M, Qian X, Zhang Y, Gao R2026-09-08✓ Author reviewed ⓘ
💻 bioinformatics

bioq: a unified, agent-native command-line interface to a fleet of AI drug-discovery methods

bioq ist eine Open-Source-, leichtgewichtige Befehlszeilenschnittstelle, die den Zugriff auf eine Flotte von über 38 containerisierten KI-Werkzeugen für die Wirkstoffforschung über ein serverloses Gateway vereinheitlicht und es Forschern sowie automatisierten Agenten ermöglicht, komplexe Workflows von einem Laptop aus auszuführen, ohne lokale Hardware oder kollidierende Softwareabhängigkeiten verwalten zu müssen.

Liu, Z., Wang, Y.2026-09-08
💻 bioinformatics

End-to-end plaque counting and virus titration from laboratory plate images with deep learning

Dieses Paper stellt Titra vor, einen End-to-End-Deep-Learning-Workflow, der den gesamten Prozess der Virustitration automatisiert – von der Vertiefungserkennung über die Plaque-Segmentierung bis hin zur PFU/mL-Schätzung – und eine starke Übereinstimmung mit manuellen Annotationen über verschiedene Virusarten und Plattenformate hinweg demonstriert.

Moris, E., Costable, A., Rey, S., Ferreiro, I., Hurtado, J., Villagran, M., Luciano, L. L., Vazquez, A. E., Ramos, J., M (…)2026-09-08
💻 bioinformatics

How do Co-Folding Models Organize Structural Information?

Diese Arbeit analysiert das Boltz-1 Co-Folding-Modell, um aufzuzeigen, dass strukturelle Informationen über drei distinkte Ströme – Single-, Intra-Chain- und Inter-Chain-Repräsentationen – organisiert sind, die einer Mix-Compress-Refine-Trajektorie folgen, wobei die Intra-Chain-Geometrie weitgehend vorkonditioniert ist, während Inter-Chain-Anordnungen durch das Diffusionsmodul progressiv konstruiert und abgeglichen werden.

Park, M., Kim, S., Moon, S., Kim, H., Jeon, G., Kim, W. Y.2026-09-08
💻 bioinformatics

Keloid transcriptomics reveal heterogeneity in fibroblast subtype enrichment, gene expression, and immune cell responses

Diese Studie nutzt die Bulk-RNA-Seq-Analyse von Keloid- und gepaartem Normalhautgewebe, um zu zeigen, dass die Berücksichtigung der Zelltyp-Heterogenität deutliche Unterschiede in der Anreicherung von Fibroblasten und Immunzellen, deren spezifischen Interaktionen sowie den entscheidenden Genexpressionssignaturen aufzeigt, die der Keloid-Erkrankung zugrunde liegen.

Panzer, J. J., Pan, M., Nair, M., Loveless, I. M., Adrianto, I., Huang, L., Chitale, D., Francescone, R., Vendramini-Cos (…)2026-09-07
💻 bioinformatics

PharmCast: rapid generation of three-dimensional pharmacophore fingerprints from two-dimensional structure without conformer generation

PharmCast ist ein Feedforward-Neuronales-Netzwerk, das schnell und präzise 3D-Pharmakophor-Fingerprints direkt aus 2D-SMILES-Strings vorhersagt, ohne dass eine Konformergenerierung erforderlich ist, was ein effizientes virtuelles Screening und Scaffold-Hopping zu einem Bruchteil der Rechenkosten herkömmlicher Methoden ermöglicht.

Muskal, S. M., McGregor, M. J.2026-09-07
💻 bioinformatics

Trustworthy ML/AI for Aging Clocks: Preventing Systematic Prediction Bias in Biological Age Estimation

Diese Arbeit identifiziert und adressiert das kritische Problem des systematischen Vorurteils bei der Vorhersage in auf maschinellem Lernen basierenden Altersuhren, welches nachgeschaltete Assoziationsanalysen verzerren kann, indem sie ein optimiertes Rahmenwerk unter Nebenbedingungen vorschlägt, um eine valide biologische Altersschätzung und -inferenz zu gewährleisten.

Lee, H., Ye, Z., Yang, Y., Pan, Y., Maron, B., Wang, Z., Kochunov, P., Thompson, P., Hong, L. E., MA, T., Chen, C., Chen (…)2026-09-06
💻 bioinformatics

RevPert: predicting candidate drivers of transcriptomic state transitions via gallery-native reverse perturbation

RevPert ist ein galerie-natives Reverse-Perturbations-Modell, das die Identifizierung potenzieller genetischer Treiber von transkriptomischen Zustandsübergängen priorisiert, indem es die signierte Pearson-Konnektivität mit einem gelernten Residuum kombiniert und im Vergleich zu bestehenden Baselines eine überlegene Leistung bei der Wiederherstellung von zurückgehaltenen Interventionen sowie bei der Identifizierung krankheitsrelevanter Anker demonstriert.

Liang, S., Yang, C., Wang, J., Li, y.2026-09-06
💻 bioinformatics

Coarse composition suffices: tabular in-context learning for multi-activity antimicrobial peptide profiling

Diese Arbeit zeigt, dass eine einfache, rein sequenzbasierte Pipeline, die 330 interpretierbare Deskriptoren mit dem TabPFN-Foundation-Modell kombiniert, komplexe, strukturkonditionierte Deep-Learning-Ansätze beim Multi-Label-Profiling von antimikrobiellen Peptiden auf dem ESCAPE-Benchmark übertrifft und dabei ohne die Notwendigkeit von gradientenbasiertem Training oder Strukturdaten eine SOTA-Genauigkeit (State-of-the-Art) erreicht.

Pal, A., Kumar, R., Solanki, D., Pareek, P., Singh, J., Singla, J.2026-09-06