1197 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 EnzymeArt vor, ein funktionsbedingtes generatives Framework, das funktionale Beschreibungen erfolgreich in experimentell validierte Enzyme mit quantitativer katalytischer Aktivität über mehrere Proteinfamilien hinweg umwandelt und dabei eine Leistung erzielt, die oft dem Wildtyp sowie kommerziellen Referenzen entspricht oder diese sogar übertrifft.
Diese Arbeit kritisiert und schlägt Homologie-bewusste Kreuzvalidierungsstrategien vor, um Datenleckagen zu adressieren und eine faire Bewertung der Generalisierungsfähigkeit sowohl für klassische als auch für auf Deep Learning basierende Methoden zur Vorhersage der RNA-Sekundärstruktur zu gewährleisten.
Bamsnap-LRS ist ein automatisiertes Kommandozeilen-Tool, das darauf ausgelegt ist, die Skalierbarkeits- und Optimierungsgrenzen bestehender Visualisierungssoftware zu überwinden, indem es eine hochdurchsatzfähige, publikationsreife Batch-Visualisierung von Long-Read-Sequenzierungs-Alignments mit Unterstützung für Long-Read-spezifische Merkmale, phasierte SNP-Inspektion und diverse genomische Analysen ermöglicht.
Im Rahmen eines Capstone-Kurses der University of Alberta stellt diese Arbeit drei Deep-Learning-Modelle (ProMax, APEX und UltraMax) vor, die auf einem hybriden Datensatz von etwa einer Million Protein-Ligand-Paaren trainiert wurden, um quantitative Glykan-Protein-Bindungsstärken vorherzusagen, während gleichzeitig die Herausforderungen durch Long-Tail-Datenverteilungen und die unzureichende Nutzung chiraler Merkmale hervorgehoben werden.
ComplexDesign ist ein auf Halluzination basierender Ansatz, der eine strukturvorhersagegestützte Sequenzoptimierung und einen spezialisierten Maskierungsmechanismus nutzt, um erfolgreich mehrkettenbasierte Proteinkomplexe und flexible Binder zu entwerfen, die mehrere Zielstrukturen überbrücken, wobei es bestehende Methoden sowohl beim bedingungslosen Multimer-Design als auch bei der Generierung von Ternärkomplexen übertrifft.
fastQpick ist ein Open-Source-Kommandozeilen-Tool und eine Python-Bibliothek, die ein effizientes, skalierbares Bootstrap-Resampling von FASTQ-Reads ermöglicht, um die Unsicherheit in rohen Sequenzierungsdaten zu quantifizieren, wobei mehrere speichereffiziente Modi für die Handhabung großer Bibliotheken angeboten werden.
HoloCell ist ein generatives Fundamentmodell mit 860 Millionen Parametern, das auf einem massiven Multi-Omics-Korpus vortrainiert wurde, welcher epigenomische, transkriptomische und proteomische Daten durch hierarchische Tokenisierung und iterative Diffusion vereint, um ganzheitliches zelluläres Repräsentationslernen und flexible kreuzmodale Generierung zu ermöglichen.
Diese Arbeit zeigt auf, dass Designs der Output-Heads für Multi-Label-Vorhersagen explizit so gewählt werden sollten, dass sie die zugrunde liegende biologische Struktur von Komorbiditäten widerspiegeln, wie durch ein symmetrisches Conditional Random Field belegt wird, das bei den mikrovaskulär verknüpften Komplikationen des Typ-2-Diabetes komplexere Alternativen übertrifft, während keine einzelne Architektur bei den heterogenen elektrophysiologischen Komplikationen eines Myokardinfarkts stabil war.
Drug-Prot ist ein öffentlich zugängliches computergestütztes Framework und eine Webanwendung, die groß angelegte Perturbations-Proteomik-Daten aus Brustkrebs-Zelllinien nutzt, um kausale Drogenwirkungen, Wirkstoff-Interaktionen und dynamische Proteindependenznetzwerke statistisch abzuleiten und somit eine gezielte Analyse der Protein-Ebene-Reaktionen auf Einzel- und Kombinationstherapien zu ermöglichen.
Dieses Paper stellt Suco, eine Ressource unabhängiger Expertenannotationen, und Compocyte, einen hierarchischen Klassifikator, vor, um ein robustes Framework zu etablieren, das erfolgreich 15,6 Millionen Immunzellen über nahezu 4.000 Patienten hinweg klassifizierte, neuartige Immunphänotypen enthüllte und die populationsweite immunologische Forschung vorantrieb.