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.
Die Studie stellt ein robustes, integriertes Framework vor, das mithilfe von Transferlernen und optimierten Parametern die Anpassung von epigenetischen Uhren von Array-basierten auf HTS-basierte zellfreie DNA-Daten ermöglicht und so die plattformübergreifende Kompatibilität für Alterungs- und Krankheitsstudien sicherstellt.
Die Studie zeigt, dass Organ-spezifische Autoimmunerkrankungen oft durch eine veränderte Antigenverarbeitung entstehen, die zuvor verborgene (kryptische) körpereigene Proteine für das Immunsystem sichtbar macht, während systemische Erkrankungen eher auf einem Zusammenbruch der Toleranz gegenüber bereits präsentierten Selbstantigenen beruhen.
Die Studie stellt ein neuartiges, rein genotypbasiertes Rechenverfahren vor, das mithilfe von Phasierung und einem Gaußschen Mischmodell Halbgeschwister von Neffen/Nichten mit einer Genauigkeit von über 98 % unterscheidet und somit eine skalierbare Lösung für die Aufklärung von Verwandtschaftsverhältnissen in großen Biobanken ohne Pedigree-Informationen bietet.
Diese Arbeit führt ein formales Rahmenwerk für die phylogenetische Kompression ein, das mathematisch beweist, dass unter dem Modell unendlicher Stellen die Neighbor-Joining-Methode in polynomieller Zeit eine nahezu optimale Kompression von bakteriellen Genomdaten liefert, und validiert diese Erkenntnisse experimentell.
Das Open-Source-Web-Tool GYDE bietet Wissenschaftlern eine kollaborative Plattform, die durch eine intuitive Visualisierung und die Integration moderner KI-Modelle den Zugang zu computergestützten Analysen für das Protein- und Antikörper-Design im Bereich der Wirkstoffentwicklung erleichtert.
Die Studie stellt „TattleTail" vor, ein bioinformatisches Werkzeug, das erstmals Pyozine in *Pseudomonas aeruginosa*-Genomen präzise identifiziert, indem es sie durch das Fehlen spezifischer Phagenmerkmale von Prophagen unterscheidet, was experimentelle Verwechslungen vermeidet und ihre therapeutische Nutzung ermöglicht.
KyDab ist eine umfassend kuratierte Datenbank, die standardisierte Antikörper-Entdeckungsdaten von der Kymouse-Plattform bereitstellt und damit eine wertvolle Ressource für die Entwicklung und Evaluierung künstlicher Intelligenzmodelle zur Antikörperforschung darstellt.
Das Paper stellt MEIsensor vor, ein Deep-Learning-Framework, das mobile Element-Insertionen (MEIs) direkt aus Long-Read-Sequenzierungsdaten erkennt und klassifiziert, wodurch es bestehende Werkzeuge in Bezug auf Genauigkeit und Recheneffizienz übertrifft und sogar Insertionen in hochrepetitiven Genomregionen identifiziert, die zuvor unentdeckt blieben.
Diese Arbeit stellt einen Reinforcement-Learning-Ansatz vor, der Diffusionsmodelle für das molekulare Docking so verfeinert, dass sie physikalisch plausible Konformationen und Schlüsselinteraktionen ohne zusätzlichen Rechenaufwand während der Inferenz zuverlässig vorhersagen und dabei sowohl klassische als auch andere maschinelle Lernverfahren übertreffen.
SAPTICoN ist eine robuste, no-code Pipeline, die Biologen ohne bioinformatische Vorkenntnisse ermöglicht, Single-Cell-Transkriptomdaten für nicht-modellorganismen und schlecht annotierte Gewebe mithilfe eines reproduzierbaren Snakemake-Frameworks und automatisierter Annotation zu analysieren.