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.
Das Paper stellt scMagnifier vor, ein Konsens-Clustering-Framework, das durch GRN-gestützte In-silico-Perturbationen und rpcUMAP-feine Zell-Subtypen in scRNA-seq- und räumlichen Transkriptomdaten mit höherer Auflösung und Genauigkeit identifiziert.
Die Autoren stellen StructureDCA vor, eine neuartige, strukturbasierte Erweiterung der Direct Coupling Analysis, die durch die gezielte Einbeziehung räumlicher Kontakte und der Lösungsmittelexponiertheit nicht nur präzisere Vorhersagen von Proteinmutationslandschaften ermöglicht, sondern auch die Recheneffizienz und Interpretierbarkeit erheblich steigert.
Das Paper stellt NETSCOPE vor, ein Open-Source-Toolbox für die informationsbasierte Netzwerkinferenz und -analyse, die mithilfe von gegenseitiger Information und der Datenverarbeitungsungleichung robuste Netzwerke aus verschiedenen biologischen Datenquellen rekonstruiert und eine einheitliche graphentheoretische Auswertung ermöglicht.
Die Studie stellt ein neues iteratives Inferenzframework vor, das Random Forests und multivariate Gaußsche Mischmodelle kombiniert, um bei simulationsbasierten populationsgenetischen Analysen im Vergleich zu etablierten Methoden wie ABC-RF und SNLE effizientere Parameterschätzungen mit besser kontrollierten Konfidenzintervall-Überdeckungseigenschaften zu ermöglichen.
Die Studie stellt TOGGLE vor, ein selbstüberwachtes Graph-Diffusions-Framework, das mittels Deep Learning und verstärkungsgeleiteter Clustering-Methoden feingliedrige funktionelle Heterogenität und verborgene Zellschicksale innerhalb scheinbar identischer Zellpopulationen aufdeckt und dabei experimentell validierte Einblicke in Mechanismen wie zelluläres Gedächtnis und Krankheitsprozesse liefert.
Die Studie zeigt, dass strukturelle Varianten in *Caenorhabditis elegans* stammspezifische Rekombinationsbarrieren bilden, die paradoxerweise bei höherer Auskreuzungsrate zu einer stärkeren Akkumulation von Mutationen führen und damit die klassische Annahme widerlegen, dass Auskreuzung allein schädliche Mutationen effizienter entfernt.
Die Studie stellt das modulare Framework EscapeMap vor, das durch die Integration von Deep-Mutational-Scanning-Daten und einem generativen Sequenzmodell die Resilienz von SARS-CoV-2-Antikörpern bewertet, flüchtige Virusvarianten vorhersagt und auf dieser Grundlage robuste Antikörperkombinationen für therapeutische Strategien identifiziert.
Die Studie stellt einen allgemeinen Tiling-Algorithmus vor, der mithilfe von präzisen PacBio-Lesestrecken die strukturelle Charakterisierung von AAV-Genomen ermöglicht und dabei Herausforderungen wie Inversionen, Replikationsartefakte und Verunreinigungen überwindet, um selbst seltene Sequenzvarianten in der Population zu identifizieren.
Die Studie stellt siMILe vor, eine schwach überwachte Methode des Multiple-Instance-Learnings, die durch adversäres Löschen und einen symmetrischen Klassifikator strukturelle Variationen von Proteinaggregaten in 3D-Einzelmolekül-Lokalisierungsdaten ohne detaillierte Struktur-Annotationen identifiziert und interpretierbar macht.
RNApdbee 3.0 ist ein einheitlicher Webserver, der aus 3D-Koordinaten eine umfassende Annotation der RNA-Sekundärstruktur liefert, indem er verschiedene Interaktionstypen klassifiziert, inkonsistente Datenformate standardisiert und Ergebnisse in gängigen Formaten sowie grafischen Visualisierungen bereitstellt.