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.
Dieser Beitrag stellt Atlas, einen groß angelegten Mikrobiom-Pretraining-Datensatz, sowie die Waypoint-Familie von Foundation-Modellen vor und zeigt anhand des Compass-Benchmarks, dass selbstüberwachtes Pretraining klassische Methoden und bestehende Modelle bei diversen Mikrobiom-Vorhersageaufgaben deutlich übertrifft.
Dieser Beitrag identifiziert und charakterisiert systematische kontextuelle Verzerrungen im SegmentNT-Nukleotid-Transformer-Modell – insbesondere hinsichtlich der Eingabesequenzlänge, der Nukleotidposition und einer mit der Tokenisierung verbundenen 24-Nukleotid-periodischen Oszillation – und schlägt Standardisierungsmethoden vor, um die Vorhersagekonsistenz zu verbessern und die Anwendung ähnlicher genomischer Modelle zu leiten.
MilliMap ist ein interaktives Framework, das statistische Berechnungen und räumliche Exploration vereint, um eine geschlossene, iterative Analyse von räumlichen Omics-Daten zu ermöglichen, wodurch Forschende Parameter verfeinern und Ergebnisse innerhalb einer einzigen Umgebung validieren können, für Anwendungen von der Neuroanatomie bis hin zu Tumormikroumgebungen.
Dieser Beitrag stellt das SenNet-Datenportal vor, eine skalierbare Hybrid-Cloud-Plattform, die offenen Zugang zu harmonisierten multimodalen, multi-gewebigen Datensätzen und analytischen Werkzeugen bietet, um zelluläre Seneszenz in menschlichen und Mausmodellen für die Altersforschung systematisch zu charakterisieren.
Diese Benchmark-Studie hinterfragt die Annahme, dass größere KI-Modelle in der Wirkstoffentwicklung universell kleinere Modelle übertreffen, und zeigt, dass kompakte, spezialisierte Modelle im Vergleich zu großen Fundamentmodellen bei vielfältigen Aufgaben zur Vorhersage molekularer Eigenschaften und Aktivitäten oft eine überlegene oder vergleichbare prädiktive Genauigkeit erreichen.
AnnotateMissense ist ein skalierbares Framework, das diverse genomische und Protein-Sprachmodell-Features integriert, um Pathogenitätsvorhersagen für über 90 Millionen Missense-Varianten zu evaluieren und hochleistungsfähige Vorhersagen zu generieren, wobei mit einem auf 132.714 ClinVar-markierten Varianten trainierten XGBoost-Modell eine überlegene Genauigkeit erreicht wird.
Die Autoren entwickelten den Structural Novelty Index (SNI), ein KI-gestütztes Framework, das eine unerwartete und experimentell validierte undecamere Assemblierung von NRC-Immunrezeptoren identifiziert und damit eine skalierbare Methode zur Entdeckung atypischer Proteinkomplexe jenseits kanonischer Architekturen demonstriert.
Dieser Artikel schlägt ein unüberwachtes Framework vor, das große Sprachmodelle und kontrastives Lernen nutzt, um SARS-CoV-2-Spike-Protein-Sequenzen zu charakterisieren, und zeigt eine verbesserte Clustering-Leistung bei der Vorhersage neu auftretender Varianten im Vergleich zu früheren Ansätzen.
Das Papier stellt cryoPANDA vor, einen massiven Datensatz mit über 37 Millionen annotierten cryo-EM-Partikeln aus 252 unterschiedlichen Experimenten, der entwickelt wurde, um aktuelle Datenbeschränkungen zu überwinden und die Entwicklung datengestützter Methoden für die Strukturbiologie zu beschleunigen.
Dieser Beitrag stellt ein vollständig datengesteuertes Subspace-Ein-Klassen-Klassifikationsframework vor, das gesunde plasmatische Proteomprofile modelliert, um diverse Erkrankungen robust zu erkennen, ohne erkrankte Trainingsproben zu benötigen, und damit die Herausforderungen der Klassenungleichgewichtung in hochdimensionalen klinischen Daten überwindet.