1180 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.
OmniRE-seq ist ein dualer Methoden-Framework, das Bulk-RE-seq und Single-Cell-scRE-seq integriert, um ein standardisiertes Multi-Resolution-Toolkit zur Quantifizierung, Analyse und Annotation von RNA-Editing-Dynamiken über verschiedene Krankheitskontexte und therapeutische Interventionen hinweg bereitzustellen.
CDSeq2 ist ein Bayessches Framework, das referenzinformierte Dekonvolution mit der Wiederherstellbarkeit-gesteuerten Priorisierung integriert, um die zelltypspezifische Expression auf individueller Ebene aus Bulk-RNA-Seq-Daten genau zu schätzen und dadurch die Präzision nachgeschalteter Analysen, wie etwa des zelltypspezifischen eQTL-Mappings, zu verbessern.
Varformer ist ein neuartiges multimodales Transformer-Modell, das Positive-Unlabeled-Learning und Cross-Modal-Attention nutzt, um Varianten- und Gen-Ebene-Merkmale zu integrieren und so eine Spitzenleistung bei der Priorisierung sowohl von Wirkstofftargets als auch von pathogenen Varianten über verschiedene genetische Abstammungsgruppen hinweg zu erzielen.
Diese Studie zeigt, dass die Integration von Genexpressionsdaten mit konstruierten B-Zell-Rezeptor-Merkmalen anstelle von Sprachmodell-Embeddings effektiv komplementäre biologische Informationen erfasst, während gleichzeitig Zelltyp-Beziehungen bewahrt und eine robuste B-Zell-Substruktur aufgedeckt werden.
Diese Arbeit zeigt auf, wie allgemeine KI die experimentelle Biologie erweitern kann, indem sie testbare Hypothesen aus öffentlichen molekularen Datensätzen generiert und untersucht, während sie gleichzeitig die entscheidende Unterscheidung zwischen der Identifizierung reproduzierbarer Datenmuster und der Etablierung bestätigter experimenteller oder therapeutischer Effekte hervorhebt.
Pose ist eine leichtgewichtige, reine NumPy-basierte Python-Bibliothek, die ein einheitliches, chiralitätsbewusstes Framework zum Aufbau und zur Manipulation von Protein-, Nukleinsäure- und Kleinmolekülstrukturen bereitstellt und dabei mehrere Kraftfelder sowie Scoring-Funktionen mit einer Leistung implementiert, die mit etablierten Werkzeugen wie OpenMM, PyRosetta und AutoDock Vina vergleichbar ist.
Diese Studie nutzt die Küstengewässer des Arabischen Meeres vor Mumbai als Modell, um zu demonstrieren, wie eine schnelle Urbanisierung die Akkumulation vielfältiger plasmidvermittelter Antibiotikaresistenzgene, einschließlich neuartiger plasmidgebundener Mupirocin-Resistenz, vorantreibt und so ein bedeutendes Reservoir für die globale Verbreitung von AMR schafft.
Durch die Analyse von 18 Jahren an Daten aus dem National Institute on Aging Interventions Testing Program etabliert diese Studie ein standardisiertes Vorhersageintervall-Framework, um natürliche Lebensspanne-Variationen von experimentellen Anomalien zu unterscheiden, wobei aufgezeigt wird, dass die Berücksichtigung einer solchen Variabilität die statistische Signifikanz von Interventionsergebnissen verändern kann.
Dieses Paper stellt ESM3-PPISites vor, ein multimodales Deep-Learning-Modell, das die ESM3-Architektur nutzt, um Protein-Protein-Interaktionsschnittstellen durch die Integration von evolutionären und 3D-geometrischen Kontexten präzise zu identifizieren und dadurch bestehende Methoden zu übertreffen sowie die Effizienz und Genauigkeit nachgeschalteter molekularer Docking-Simulationen signifikant zu verbessern.
LoCoFlow ist ein neuartiges Flow-Matching-Framework, das die Einzelzell-Schicksalsinferenz und Trajektorienrekonstruktion verbessert, indem es lokale Punktwolkengeometrie mit bedingter Schicksalsunsicherheit integriert und dadurch bestehende Methoden in Bezug auf Transportgenauigkeit und Störungssantwortvorhersage übertrifft.