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.
Diese Studie stellt einen umfassenden Benchmark von drei Tools zur Erkennung von circRNAs aus Oxford Nanopore-Langlese-Daten vor und entwickelt dabei ein flexibles, datengesteuertes Simulationsframework, um die Leistungsfähigkeit und Grenzen der aktuellen Bioinformatik-Methoden zu bewerten.
Diese Arbeit stellt ein neuartiges Framework namens SI-ADMM vor, das auf einer gekoppelten Tensor-Tensor-Faktorisierung mit zusätzlichen Ähnlichkeitsdaten basiert, um gleichzeitig wirksame Arzneimittelkombinationen und Arzneimittelwechselwirkungen auch für neuartige Wirkstoffe präzise vorherzusagen.
Die Studie stellt t2pmhc vor, ein strukturbasiertes Graph-Neural-Network-Framework, das durch die Nutzung von TCR-pMHC-Komplexstrukturen die Generalisierungsfähigkeit bei der Vorhersage von TCR-Bindungen an unbekannte Antigene im Vergleich zu rein sequenzbasierten Methoden signifikant verbessert.
Die Arbeit stellt RigidSSL vor, ein rigidiätsbewusstes selbstüberwachtes Lernframework, das durch eine zweiphasige geometrische Vorabbildung auf statischen und dynamischen Proteinstrukturen die Designfähigkeit, Vielfalt und Konformationsrealität bei der Proteindesign-Generierung erheblich verbessert.
ProtNHF ist ein generatives Modell, das mithilfe von neuronalen Hamilton-Flüssen und analytischen Verzerrungsfunktionen eine kontrollierbare Proteinsequenzgenerierung ermöglicht, bei der Eigenschaften wie Aminosäurezusammensetzung und Nettoladung zur Laufzeit durch Energieanpassungen präzise gesteuert werden können, ohne das Modell neu trainieren zu müssen.
Die Studie stellt CellSweep vor, ein effizientes Werkzeug zur Entfernung von Umgebungs- und Bulk-Kontaminationen in Single-Cell-Genomik-Daten, das in Benchmarks andere Methoden zur Artefaktbereinigung übertrifft.
Diese Studie erweitert einen informationstheoretischen Ansatz zur Fenstergrößenbestimmung in phylogenomischen Analysen, indem sie eine Splitting-and-Merging-Strategie einführt, die variable Fenstergrößen entlang von Chromosomen ermöglicht und sich als überlegen gegenüber festen Fenstergrößen bei der Rekonstruktion von Genträumen erweist, insbesondere bei unterschiedlichen Rekombinationsraten.
Die Studie stellt SLiMMine vor, eine Deep-Learning-Methode, die durch die Nutzung von Protein-Embeddings und neuronalen Netzen zuverlässig neue kurze lineare Motive (SLiMs) im menschlichen Proteom vorhersagt, falsch-positive Treffer um etwa 80 % reduziert und die Entdeckung bisher unbekannter Motive sowie präziserer Protein-Protein-Interaktionen ermöglicht.
Die Arbeit stellt „Latent Space Dynamics" (LSD) vor, ein thermodynamisch inspiriertes Framework, das mithilfe neuronaler gewöhnlicher Differentialgleichungen die Zelldifferenzierung als Evolution auf einer gelernten Waddington-Landschaft modelliert, um dabei kontinuierliche Differenzierungstrajektorien zu rekonstruieren, Abstammungshierarchien präziser vorherzusagen und die zelluläre Plastizität quantitativ zu erfassen.
Die Autoren präsentieren eine GPU-basierte Neuimplementierung von kallisto für die RNA-seq-Transkriptquantifizierung, die durch eine algorithmische Neugestaltung für massive Parallelisierung eine 30- bis 50-fache Beschleunigung gegenüber der CPU-Version erreicht und damit typische Analysen von Minuten auf Sekunden reduziert.