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 DEPICT vor, ein auf Transformern basierendes Deep-Learning-Framework, das präzise, bedingungsgerechte Vorhersagen von transkriptionellen Arzneimittelantworten ermöglicht und so die Entdeckung von Wirkstoffkandidaten und Kombinationstherapien durch virtuelle Screening- und Synergieanalysen effizient unterstützt.
Das Paper stellt eSIG-Net vor, ein neuartiges sequenzbasiertes „Interaktions-Sprachmodell", das mithilfe von Protein-Embeddings, Mutationskodierung und kontrastivem Lernen die Auswirkungen einzelner Mutationen auf Proteininteraktionen präziser vorhersagt als bisherige Methoden und dabei ausschließlich auf Sequenzinformationen zurückgreift.
Der Artikel stellt scTGCL vor, einen effizienten Transformer-basierten Graph-Contrastive-Learning-Ansatz, der durch adaptive Gewichtung und robuste Datenverstärkung eine überlegene Leistung bei der Clustering-Analyse von scRNA-seq-Daten im Vergleich zu bestehenden Methoden erzielt.
Die Autoren stellen einen linearen Algorithmus vor, der bidirektionale Pangenom-Graphen durch Orientierung in gerichtete Graphen transformiert, um Ultrabubbles effizient zu identifizieren und dabei eine bis zu 250-fache Geschwindigkeitssteigerung gegenüber bestehenden Methoden wie vg und BubbleGun zu erreichen.
Diese Studie stellt eine Hochdurchsatz-Methode vor, die durch die Entkopplung von Topologie und Geometrie mittels einer grobkörnigen Darstellung von Sekundärstrukturelementen systematisch Proteine mit identischer Topologie, aber stark divergierenden Konformationen im PDB identifiziert, um so eine kritische Datensammlung für das Verständnis dynamischer Proteinfunktionen zu schaffen.
Die Studie stellt ein auf Transformer-Architekturen basierendes Modell vor, das durch das Lernen kontextueller und thermodynamischer Signaturen aus Aminosäuresequenzen die Vorhersage seltener, synonyme Codons verbessert und so einen direkten Zusammenhang zwischen Sequenzvariation, Translationseffizienz und Proteinfunktion herstellt.
Die Studie stellt LATTE vor, ein effizientes computergestütztes Framework zur lokusspezifischen Quantifizierung der Expression transponierbarer Elemente, das durch seine hohe Genauigkeit und die Aufdeckung einer eigenständigen regulatorischen Landschaft sowie neuer Assoziationen mit komplexen Merkmalen über drei Spezies hinweg die genetische Architektur phänotypischer Vielfalt besser verständlich macht.
Diese Studie stellt ein bayesisches Integrationsmodell vor, das durch die gemeinsame Analyse von Trio-Daten die statistische Power zur Identifizierung von Vererbungsmustern der Allel-Imbalance bei cis-regulatorischen Varianten erhöht und dabei sowohl die Unsicherheit der Schätzungen quantifiziert als auch die Wahrscheinlichkeit verschiedener Vererbungsmodi bestimmt.
GraphBG ist ein skalierbares, bayesianisches Framework, das spektrale Graph-Convolutionen nutzt, um räumliche Domänen in großen, multi-slice und multi-modalen räumlichen Transkriptomik-Datensätzen präzise und effizient zu identifizieren.
Der Artikel stellt GRIMM-II vor, einen skalierbaren, zweistufigen Algorithmus, der die Echtzeit-Imputation von HLA-Genotypen an neun Loci und die effiziente Identifizierung passender Spender mit bis zu drei Mismatchen in großen Registern ermöglicht, um die Erfolgschancen von Stammzelltransplantationen insbesondere für ethnische Minderheiten zu erhöhen.