766 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 RNAElectra vor, ein auf der ELECTRA-Architektur basierendes RNA-Foundation-Modell, das durch den Einsatz von Replaced-Token-Detection (RTD) anstelle von Masked Language Modeling eine überlegene Generalisierungsfähigkeit und Interpretierbarkeit für die Vorhersage verschiedener RNA-regulatorischer Funktionen und Interaktionen bietet.
Das Paper stellt ATOMICA vor, ein geometrisches Deep-Learning-Modell, das universelle, mehrskalige Repräsentationen von intermolekularen Schnittstellen über fünf verschiedene Modalitäten hinweg lernt und damit neue Möglichkeiten für die Vorhersage von Ligandenbindungen, insbesondere in unbekannten Proteinen, eröffnet.
Die Studie kombiniert über 820 Millionen computergenerierte Proteinstrukturen aus AlphaFold2 und ESMfold in einer umfassenden Metagenom-Analyse, die durch Clustering und Qualitätsfilterung tausende neuartige Domänenfaltungen und bisher unbekannte Domänenkombinationen aufdeckt und damit die immense, unerschlossene strukturelle Vielfalt der Proteinwelt beleuchtet.
Dieser Beitrag stellt BiOS vor, ein Open-Source-Framework, das durch eine modulare Architektur und die strikte Einhaltung der FAIR-Prinzipien die Integration heterogener Biodiversitätsdaten ermöglicht und sowohl eine programmatische API für Forscher als auch eine benutzerfreundliche Weboberfläche für die Datenexploration bietet.
Die Studie stellt SC-BIG vor, ein hierarchisches bayessches Modell, das Bulk-Sequenzierungsdaten nutzt, um durch die gemeinsame Schätzung der Krebszellfraktion und die Berücksichtigung von Kopienzahlveränderungen die Genauigkeit und Zuverlässigkeit der somatischen SNV-Erkennung in einzelnen Zellen im Vergleich zu bestehenden Methoden zu verbessern.
Diese Studie präsentiert eine umfassende Benchmark-Analyse von 26 Methoden zur Erkennung räumlicher Domänen in der räumlichen Transkriptomik, die auf realen und semi-synthetischen Daten basiert und zeigt, dass Datenauflösung und Zellheterogenität sowie die Wahl der Vorverarbeitung und Clusterung einen größeren Einfluss auf die Leistung haben als architektonische Neuerungen allein.
Die Studie stellt ITEC vor, eine vollständig unüberwachte Methode zur hochpräzisen, automatischen Rekonstruktion der gesamten Zelllinien und Schicksalskarten lebender Embryonen über lange Zeiträume hinweg, die durch Fehlerkorrektur eine Genauigkeit von über 99,7 % erreicht und detaillierte Einblicke in morphogenetische Prozesse sowie zelluläre Dynamiken ermöglicht.
Die Studie stellt scPloidyR vor, ein neues statistisches Modell, das durch die kombinierte Analyse von Sequenzierungs-Tiefe und B-Allel-Häufigkeit die Genauigkeit der Detektion von Kopienzahlvarianten in einzelnen Zellen mittels Targeted-Sequenzierung signifikant verbessert, sofern allelische Informationen verfügbar sind.
Die Studie entwickelt einen Simulationsrahmen, um zu zeigen, dass hierarchisches Reinforcement Learning unter Unsicherheit und verzögertem Feedback effektivere Antibiotika-Verschreibungsstrategien zur Bekämpfung von Resistenzen erlernt als starre Regeln oder flache Modelle, wobei Patientenheterogenität und die Beobachtungsstruktur entscheidend für den Erfolg sind.
Diese Arbeit demonstriert, wie konforme Vorhersage genutzt werden kann, um aus Massenspektren zuverlässige, spektrumsspezifische Kandidatenmengen für die Molekülidentifikation zu generieren, die eine garantierte Trefferrate bieten und dabei sowohl unter idealen Bedingungen als auch bei Verteilungsverschiebungen robust funktionieren.