1243 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.
CoLa-VAE ist ein tiefes generatives Framework, das durch die Integration dynamischer Graph-Laplace-Regularisierung basierend auf Ligand-Rezeptor-Interaktionen die Zell-Zell-Kommunikation in das latente Lernen von Einzelzell-Daten einbindet und dabei die Trennung von kommunikationsgetriebener Topologie und intrinsischer Transkriptions-Heterogenität ermöglicht.
Das Paper stellt das Celiac Microbiome Repository (CMR) vor, eine kuratierte, offene Datenbank, die fragmentierte Celiac-Erkrankungs-Mikrobiom-Daten aus verschiedenen Studien harmonisiert und durch standardisierte Reprozessierung sowie eine benutzerfreundliche Schnittstelle für globale Metaanalysen und maschinelles Lernen zugänglich macht.
Die Studie stellt KuafuPrimer vor, einen maschinellen Lernansatz zur Entwicklung von 16S-rRNA-Primern, die im Vergleich zu universellen Primern die Verzerrung bei der Sequenzierung bakterieller Gemeinschaften signifikant reduzieren und dadurch die taxonomische Genauigkeit sowie die Detektion seltener und pathogener Keime verbessern.
Die Studie stellt GIDEON vor, ein neuartiges ILP-Framework, das mithilfe verbesserter Gewichtungsschemata und Algorithmen umfangreichere und funktionell angereicherte Sammlungen von Between-Pathway-Modellen in genetischen Interaktionsnetzen der Hefe identifiziert, um kompensatorische Stoffwechselwege und potenzielle antifungale Zielstrukturen aufzudecken.
Das Paper stellt HORI-EN vor, ein aktualisiertes Werkzeug zur atomaren energetischen Profilierung und Identifizierung höherer Interaktionsnetzwerke in Proteinstrukturen, das durch eine hybride Bewertungsstrategie und graphentheoretische Analysen präzise Mutations-Hotspots erkennt und kooperative Stabilisierungsnetzwerke aufdeckt.
Die vorgestellte Arbeit beschreibt einen Ansatz zur Analyse biologischer Netzwerke, bei dem Zeilen des Krylov-Unterraums der Adjazenzmatrix, die durch Potenziteration mit einem biologisch spezifischen Startvektor berechnet werden, als „Krylov-Trajektorien" zur Erkennung von Gemeinschaften und zur Perturbationsanalyse am Beispiel des neuronalen Netzwerks von C. elegans genutzt werden.
MetaGEAR Explorer ist eine webbasierte Plattform, die eine interaktive und programmierbare Analyse von über 33 Millionen mikrobiellen Genfamilien aus 9.053 Metagenom-Proben ermöglicht, um krankheitsassoziierte Gene und deren funktionelle Zusammenhänge über verschiedene Kohorten hinweg schnell zu identifizieren und zu untersuchen.
Die Studie stellt TEA-GCN vor, eine neue Methode zur Konstruktion von Gen-Ko-Expressionsnetzwerken aus öffentlichen Transkriptomdaten, die durch zweistufige Ensemble-Aggregation und bedingungsspezifische Partitionierung Batch-Effekte überwindet und sowohl in der Vorhersage von Genfunktionen als auch in der Ableitung regulatorischer Netzwerke den aktuellen Stand der Technik übertrifft.
Die Studie zeigt, dass das KI-Modell Boltz-2 bei der virtuellen Screening-Herausforderung mit schwer zu klassifizierenden Datensätzen die beste Leistung erbringt und dabei eine doppelt so hohe Erfolgsrate wie andere Strategien erreicht, was präzise Rankings von Millionen von Verbindungen auf handelsüblicher Hardware ermöglicht.
Die Studie stellt SIR (Synergy via Isotonic Regression) vor, ein nichtparametrisches Framework mit wilder Bootstrap-Schätzung, das durch die Definition von Synergie als Abweichung von einer monoton-additiven Nullhypothese zuverlässigere p-Werte und höhere Reproduzierbarkeit bei der Identifizierung synergistischer Wirkstoffkombinationen im Vergleich zu bestehenden Methoden ermöglicht.