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.
Diese Studie stellt zwei neue Methoden vor, die in der phylogenetischen Maximum-Likelihood-Analyse die Häufigkeit von Abstammungslinien berücksichtigen, um die Genauigkeit der Stammbaum-Rekonstruktion, insbesondere bei SARS-CoV-2, erheblich zu verbessern, indem sie die Platzierung von Sequenzen auf häufige statt seltene Stämme priorisieren.
Diese Studie stellt eine Methode vor, bei der vortrainierte Sprachmodelle gemeinsam mit scRNA-seq-Daten und biomedizinischer Literatur trainiert werden, um eine gemeinsame, wissensangereicherte Repräsentation zu erlernen, die die Analyse einzelner Zellen durch zusätzliche interpretierbare Informationsschichten verbessert.
Das Open-Source-Framework Seqwin automatisiert die Identifizierung skalierbarer und robuster mikrobieller Signatursequenzen in großen Genomdatensätzen durch die Nutzung gewichteter Pan-Genom-Minimizer-Graphen, um hochempfindliche PCR-Diagnostik für klinische und öffentliche Gesundheitsanwendungen zu ermöglichen.
Das Paper stellt Amaranth vor, einen neuartigen Single-Cell-Transkriptom-Assembler, der durch die diskriminierende Modellierung unterschiedlicher biologischer und statistischer Eigenschaften von UMI- und internen Reads die Genauigkeit der Isoform-Rekonstruktion in Smart-seq3-Daten signifikant verbessert.
Die Studie stellt PerturbGraph vor, ein graphbasiertes Lernframework, das biologische Interaktionsnetzwerke und funktionale Annotationen nutzt, um die Transkriptionsantworten auf bisher unbeobachtete genetische Perturbationen präziser vorherzusagen als bestehende Methoden.
Nextstrain automatisiert die Echtzeit-phylodynamische Analyse offener Sequenzdaten für 21 Viren und Mycobacterium tuberculosis, um durch tägliche Aktualisierungen und öffentliche Visualisierung kontinuierliche Einblicke in die Evolution und Epidemiologie dieser Krankheitserreger zu ermöglichen.
Die Studie zeigt, dass diskrete Diffusionsmodelle auf Graphen-Transformern in der Lage sind, strukturelle Einschränkungen von Tumor-Phylogenien aus synthetischen Daten zu lernen, wobei mittlere Modellgrößen und diverse Trainingsregime für die beste Generalisierung und strukturelle Validität sorgen.
Die Autoren zeigen durch eine Nachanalyse der öffentlichen Daten, dass die von Li et al. berichtete überlegene quantitative Sensitivität der PELSA-Methode gegenüber LiP-MS auf nicht abgestimmte experimentelle Bedingungen und undokumentierte Datenimputationen zurückzuführen ist und daher mit Vorsicht zu betrachten ist.
Die Studie stellt FoundedPBI vor, ein Ensemble-Deep-Learning-Verfahren, das genomische Grundmodelle mit einer adaptierten Langkontext-Strategie kombiniert, um Phagen-Bakterien-Interaktionen allein aus DNA-Sequenzen präziser vorherzusagen als bisherige State-of-the-Art-Methoden.
Die Studie stellt GraphHDBSCAN* vor, einen graphbasierten, hyperparameterfreien Algorithmus, der hierarchische dichte-basierte Clustering-Methoden auf scRNA-seq-Daten anwendet, um sowohl biologisch sinnvolle Hierarchien als auch hochwertige flache Partitionen in hochdimensionalen Datensätzen zu erkennen.