💻 Category

bioinformatics

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.

PhosSight: a Unified Deep Learning Framework Boosting and Accelerating Phosphoproteome Identification to Enable Biological Discoveries

Das Paper stellt PhosSight vor, ein einheitliches Deep-Learning-Framework, das durch die Vorhersage von Peptid-Detektierbarkeit und die Optimierung von Suchalgorithmen die Identifizierung und Lokalisierung von Phosphopeptiden in DDA- und DIA-Massenspektrometrie-Daten verbessert, wodurch die Abdeckung des Phosphoproteoms erweitert und neue therapeutische Zielstrukturen in der Onkologie entdeckt werden können.

Wang, B., Cheng, Z., She, C., Zhang, J., Lv, L., Zhu, H., Liu, L., Fu, Y., Yi, X.2026-03-10💻 bioinformatics

STAR Suite: Integrating transcriptomics through AI software engineering in the NIH MorPhiC consortium

Das Papier stellt die STAR Suite vor, eine von einem Entwickler in vier Monaten mithilfe von KI-Software-Engineering realisierte Modernisierung des STAR-Aligners für das NIH MorPhiC-Konsortium, die durch die direkte Integration von Funktionen in den C++-Quellcode die Notwendigkeit von Zwischenfiles beseitigt und eine skalierbare, einheitliche Datenverarbeitung ermöglicht.

Hung, L.-H., Yeung, K. Y.2026-03-10💻 bioinformatics

Ensemble-based genomic prediction for maize flowering-time improves prediction accuracy and reveals novel insights into trait genetic variation

Die Studie zeigt, dass ein Ensemble-Ansatz aus mehreren genomischen Vorhersagemodellen die Vorhersagegenauigkeit für Blütezeitmerkmale bei Mais verbessert und durch die Kombination unterschiedlicher genetischer Variationen neue Einblicke in die zugrunde liegende Genetik liefert.

Tomura, S., Powell, O. M., Wilkinson, M. J., Cooper, M.2026-03-09💻 bioinformatics

Benchmarking tissue- and cell type-of-origin deconvolution in cell-free transcriptomics

Diese Studie führt eine systematische Benchmarking-Analyse von Deconvolutionsmethoden für zellfreie RNA im Plasma durch und stellt fest, dass die Gewebeherkunft zwar robust rekonstruiert werden kann, die Zelltyp-Herkunft jedoch aufgrund methodischer und referenzbedingter Variabilität erheblichen Unsicherheiten unterliegt.

Ioannou, A., Friman, E. T., Daub, C. O., Bickmore, W. A., Biddie, S. C.2026-03-09💻 bioinformatics

Benchmarking 80 binary phenotypes from the openSNP dataset using deep learning algorithms and polygenic risk score tools

Diese Studie vergleicht die Leistung von 29 maschinellen Lernalgorithmen, 80 Deep-Learning-Modellen und drei polygenen Risikoscore-Tools bei der Vorhersage von 80 binären Phänotypen aus dem openSNP-Datensatz und zeigt, dass maschinelle Lernverfahren bei 44 und polygene Risikoscores bei 36 Phänotypen die besseren Ergebnisse lieferten.

Muneeb, M. -, Ascher, D., Myung, Y., Feng, S., Henschel, A.2026-03-09💻 bioinformatics