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 FLAG-X, ein Python-Paket, das die Lücke zwischen manueller und automatisierter Durchflusszytometrie-Analyse schließt, indem es modernste Methoden des maschinellen Lernens mit Expertenannotationen in hybride Workflows integriert und somit den Mangel an Standardisierung und Effizienz in der routinemäßigen klinischen Gating-Analyse adressiert.
Das Paper stellt cryoPARES vor, eine über überwachte Deep-Learning-Methoden beschleunigte Methode zur Ausrichtung von Kryo-EM-Bildern, die durch die Nutzung von Vorab-Pose-Informationen und die Eliminierung manueller Interventionen eine Echtzeit-Strukturbestimmung für die Wirkstoffforschung ermöglicht.
Diese Studie adressiert die Herausforderungen der Reproduzierbarkeit der kolorimetrischen Loop-Mediated Isothermal Amplification (LAMP), indem sie ein maschinelles Lernklassifikationsmodell entwickelt, das thermodynamische und Sequenzmerkmale, insbesondere von F1c- und B1c-Primern, nutzt, um den Erfolg des Assays vorherzusagen und die Treue des Primer-Designs zu verbessern.
Diese Studie zeigt, dass die Intra-Slide-Kalibrierungstechnologie in Kombination mit computergestützter Analyse die Harmonisierung und Reproduzierbarkeit von p53-immunhistochemischen Assays über verschiedene anatomische Pathologielaboratorien hinweg signifikant verbessert und somit eine objektivere diagnostische Entscheidungsfindung in der Neuroonkologie unterstützt.
DDI_single ist ein neuartiger, auf einer einzelnen Sequenz basierender Algorithmus, der das ESM-1b-Proteinsprachmodell und ein Gated-Cross-Attention-Modul nutzt, um Interdomänen-Residue-Interaktionen präzise vorherzusagen und dadurch im Vergleich zu bestehenden Methoden wie trRosettaX_single eine überlegene Genauigkeit bei der Assemblierung von Multi-Domänen-Proteinstrukturen erreicht.
Diese Studie führt ein Deep-Learning-Modell ein, das individuelle topografische Hirnkarten erfolgreich in funktionelle Konnektome übersetzt und dadurch eine direkte Verbindung zwischen räumlicher Organisation und Netzwerkkonnektivität herstellt, um diverse Perspektiven der rsfMRI-Forschung zu vereinheitlichen.
Das Papier stellt eine aktualisierte Version der TRACEY-Ressource vor, die die Annotation von SNARE-Proteindomänen durch die Einbeziehung eines massiv erweiterten, nicht-redundanten Datensatzes von nahezu 19.000 kuratierten Sequenzen zur Generierung verbesserter HMM-Profile sowie einer neu gestalteten Weboberfläche für eine genauere Detektion divergenter und lineagespezifischer Paraloge signifikant verbessert.
Diese Studie zeigt, dass akutes Fasten kleine, systematische Verschiebungen in spezifischen epigenetischen Uhren induziert – insbesondere bei PC-basierten und SystemsAge-Varianten –, die durch die Umverteilung von Immunzellen getrieben werden, während auf Mortalität trainierte Uhren stabil bleiben, was hervorhebt, dass die Zuverlässigkeit der Uhren kontextabhängig ist und eine perturbationsspezifische Bewertung jenseits standardmäßiger ICC-Metriken erfordert.
Das Papier stellt CLASPP vor, ein vereinheitlichtes Modell zur Vorhersage vielfältiger posttranslationaler Modifikationen, das durch kontrastives Lernen, hierarchische Datenkuratierung und eine mehrstufige Trainingsstrategie die Herausforderungen des Datenungleichgewichts überwindet, um die Vorhersagegenauigkeit über verschiedene Organismen hinweg zu verbessern.
BacteReason ist ein feinabgestimmtes großes Sprachmodell, das die bakterielle Antibiotikaresistenz vorhersagt und mechanistische Begründungen liefert, indem es ein wissensbasiertes Lehrermodell nutzt, was zu einer signifikant verbesserten Vorhersagegenauigkeit gegenüber Baseline-Ansätzen führt.