1235 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.
Das Paper stellt scVIP vor, ein generatives Framework, das Einzelzell-Transkriptomdaten mit phänotypischen Markern integriert, um personalisierte individuelle Embeddings zu lernen und damit Entwicklungsalter, Krankheitsverläufe sowie neuropathologische Merkmale vorherzusagen.
Die Studie stellt RepurAgent vor, ein von Menschen überwachtetes, hierarchisches Multi-Agenten-System, das den gesamten Lebenszyklus der Wirkstoffwiederverwendung von der Hypothesengenerierung bis zur experimentellen Analyse unterstützt und dabei in drei validierten Szenarien hohe Genauigkeit und Effizienz demonstriert.
Die Studie stellt Surleton vor, ein inverses Protein-Faltungs-Framework, das durch die gemeinsame Modellierung von Rückgratgeometrie und Protein-Oberflächenstruktur die Sequenzvorhersage, insbesondere für exponierte Reste, im Vergleich zu reinen Rückgrat-Methoden signifikant verbessert.
Diese Studie nutzt einen phylogenetischen Ansatz, um konservierte und bradyzoit-spezifische Proteine in Toxoplasma gondii zu identifizieren und liefert damit neue Ansatzpunkte für das Verständnis der Differenzierung in die latente Bradyzoiten-Stufe.
Die Studie stellt HMCVelo vor, ein deterministisches ODE-Modell, das erstmals die Dynamik der DNA-Hydroxymethylierung in einzelnen Zellen mithilfe von Joint-snhmC-seq-Daten rekonstruiert und dabei deutlich präzisere Zelltrajektorien liefert als herkömmliche RNA-Velocity-Ansätze.
Dieses Protokoll beschreibt die Verwendung des auf Variational Autoencodern basierenden Frameworks MetVAE zur Konstruktion korrelationsbasierter molekularer Netzwerke aus groß angelegten ungerichteten Metabolomikdaten, um funktionelle Zusammenhänge zu erfassen, wie am Beispiel eines Mausmodells für hepatozelluläres Karzinom demonstriert wird.
Die Studie stellt einen geschlossenen in-silico-Optimierungsrahmen vor, der durch Multi-Objective-Bayesian-Optimization und molekulare Simulationen zellpenetrierende Peptide mit selektiven Rezeptor-Interaktionsprofilen (CXCR4-positiv, NRP1-negativ) entwirft und deren Wirksamkeit experimentell validiert.
Das Paper stellt scSketch vor, ein interaktives Werkzeug zur skizzenbasierten Trajektorienexploration und pathway-bewussten Analyse von Einzelzell-Daten, das durch die automatische Berechnung von Gen-Trajektorien-Korrelationen mit online-FDR-Kontrolle und die Gruppierung signifikanter Gene in Reactome-Pfade statistisch valide mechanistische Einblicke in biologische Prozesse wie die Differenzierung und virale Infektion ermöglicht.
Das Paper stellt ProNA3D vor, ein vielseitiges Werkzeug zur Analyse von Protein-Nukleinsäure- und Nukleinsäure-Interaktionen, das experimentelle und computergestützte Strukturen integriert, interaktive Visualisierungen ermöglicht und durch Dichtezonierung die Untersuchung dynamischer Komplexe in Cryo-EM-Karten unterstützt.
Diese Studie zeigt, dass die Dysfunktion des Darmmikrobioms bei chronisch entzündlichen Darmerkrankungen nicht durch einen Verlust der Funktionsfähigkeit, sondern durch eine systemweite Reorganisation und Fragilität der funktionellen Interaktionsnetzwerke verursacht wird, was durch eine netzwerkbasierte Analyse besser erfasst wird als durch traditionelle taxonomische oder redundanzbasierte Ansätze.