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.
Die Autoren präsentieren gemsparcl, ein hochskalierbares und effizientes Werkzeug, das über 5,6 Millionen bakterielle Genome in etwa 14 Stunden in 92.954 genomische kohäsive Einheiten auf Speziesebene clustert und damit computergestützte Engpässe überwindet, um eine umfassende, referenzfreie Analyse der prokaryotischen Diversität und Taxonomie zu ermöglichen.
Diese Studie zeigt, dass die biologische Bedeutung von Protein-Sprachmodell-Embeddings nicht fixiert, sondern auflösungsabhängig ist, wobei unterschiedliche Abrichtungsgrade an biologischen Hierarchien selektiv distinkte Organisationsbeziehungen wie Zugehörigkeitsgrenzen, funktionelle Gruppierungen oder lokale Familienstrukturen bewahren.
WitChi ist ein recheneffizientes Werkzeug, das empirische Chi-Quadrat-Tests verwendet, um kompositionell verzerrte Positionen aus groß angelegten phylogenomischen Alignments zu detektieren und iterativ zu entfernen, wodurch akkurate phylogenetische Topologien ohne die hohen Rechenkosten komplexer kompositionsbewusster Modelle wiederhergestellt werden.
Diese Studie zeigt, dass AlphaFold2 und ColabFold eine sehr geringe Falsch-Positiv-Rate bei der Vorhersage von Strukturen für Nicht-Protein-Sequenzen aufweisen, während sie gleichzeitig zufällig offenlegt, dass einige hoch bewertete Vorhersagen in nicht-kodierenden menschlichen Genomregionen mit bisher unannotierten Pseudogenen korrespondieren, was auf potenzielle Fehler in bestehenden Genannotationen hindeutet und die Nützlichkeit hoch bewerteter Strukturvorhersagen für weitere Untersuchungen validiert.
ADMETron ist eine KI-gestützte SaaS-Plattform, die RNN-basierte molekulare Embeddings mit Gradient Boosting Machines integriert, um 34 ADMET-Endpunkte vorherzusagen, und ein interaktives Radar-Graph-Visualisierungstool bietet, welches eine umfassende, hochdurchsatzfähige Priorisierung von Verbindungen sowie datengestützte Entscheidungsfindung in der Arzneimittelentdeckung ermöglicht.
MoE-Bind führt die erste spärliche Mixture-of-Experts-Architektur für das De-novo-Design von Proteinbindern ein und erreicht ein schnelleres, effizienteres und interpretierbares rein sequenzbasiertes Design, das dichte Baselines ohne die Notwendigkeit vorheriger Strukturinformationen erreicht oder übertrifft.
Dieses Paper führt Latent Event Mapping (LEMING) ein, eine skalierbare und interpretierbare unüberwachte Modellierungstechnik, die voxelbasierte Trajektorien multimodaler neuroimaging-bedingter Veränderungen bei der Alzheimer-Krankheit rekonstruiert und dadurch neue Erkenntnisse über progressionsabhängige Mechanismen, wie etwa den Zusammenhang zwischen Acetylcholinrezeptordichte und Amyloidpathologie im Spätstadium, aufzeigt.
Das Paper stellt STITCH vor, eine interpretierbare Methode basierend auf der Tangenten-Hauptkomponentenanalyse in einer Kendall-Form-Mannigfaltigkeit, die effektiv größenunabhängliche zelluläre Morphologie mit der Genexpression in der räumlichen Transkriptomik verknüpft und dabei bestehende Deep-Learning-Ansätze bei der Identifizierung biologisch relevanter Form-Transkriptom-Beziehungen über verschiedene Datensätze hinweg übertrifft.
Diese Studie führt ein Split-Conformal-Prediction-Framework ein, das auf die BeatAML 2.0-Kohorte angewendet wurde und erfolgreich statistisch kalibrierte Unsicherheitsintervalle für patientenbezogene AML-Arzneimitelsensitivitätsvorhersagen generiert, wobei unterschiedliche Unsicherheitsschemata über Wirkstoffklassen hinweg aufzeigt und gleichzeitig demonstriert, dass eine solche Unsicherheit unabhängig von standardmäßigen molekularen Risikoklassifikationen ist.
Das Paper stellt scCRAFT+ vor, ein robustes semi-überwachtes scRNA-seq-Integrationsmodell, das Virtual Adversarial Training nutzt, um Markergen-Informationen einzubeziehen und dadurch die Einschränkungen bestehender Methoden bei der Bewahrung feingranularer Zellsubtyp-Unterscheidungen sowie der Verbesserung der Annotationsgenauigkeit selbst bei verrauschten oder unvollständigen Marker-Sets zu überwinden.