1235 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 strukturbasierten Siamesischen Graph-Neural-Network-Ansatz vor, der mithilfe synthetischer Trainingsdaten CirA-Missense-Varianten klassifiziert, um deren funktionelle Beeinträchtigung und den daraus resultierenden Einfluss auf die Cefiderocol-Empfindlichkeit bei Enterobacterales vorherzusagen.
Die Studie identifiziert eine epigenetisch eingeschränkte, stressunempfindliche Basal-Astrozyten-Zustands im präfrontalen Kortex als entscheidenden Vulnerabilitätsfaktor für die Alzheimer-Erkrankung bei Menschen mit Down-Syndrom, der sich durch einen Verlust häuslicher Schutzfunktionen und eine verminderte Entzündungsreaktivität auszeichnet.
Die Studie stellt eine reproduzierbare, offene Pipeline zur 3D-Rekonstruktion und quantitativen Analyse der Nanopartikelverteilung sowie der zellulären Morphologie in Tumorsphäroiden mittels Volumen-Elektronenmikroskopie vor, die eine hybride Segmentierungsstrategie aus einem feinabgestimmten Cellpose-SAM-Modell und einem empirischen Bayes-Ansatz nutzt.
Diese Studie zeigt, dass bei kompakten, von Grund auf neu trainierten Transformer-Modellen für das de-novo-Design von Antikörpern die Architektur der zugrunde liegenden LLM-Familien (wie Llama, Gemma oder Mistral) keinen statistisch signifikanten Einfluss auf die generative Leistung hat, während Trainingsdaten und Modellgröße die entscheidenden Faktoren sind, was durch eine hohe strukturelle Stabilität, Antigen-Bindung und Agentic-Evaluierung bestätigt wird.
Die Studie stellt DNAharvester vor, eine modulare Nextflow-Pipeline, die speziell für die robuste und reproduzierbare Analyse stark degradierter alter DNA entwickelt wurde, indem sie fortschrittliche Metagenomik-Filterung, flexible Mapping-Strategien und umfassende Downstream-Analysen integriert, um authentische genomische Signale selbst bei hoher Kontamination und geringem Endogengehalt zuverlässig zu gewinnen.
Die Studie zeigt, dass die Leistung von Protein-Sprachmodellen bei der Vorhersage der Fitness nicht linear mit der Modellgröße skaliert, da zu große Modelle die Sequenzwahrscheinlichkeiten oft über das optimale moderate Niveau hinaus erhöhen, was zu einer schlechteren Abbildung des tatsächlichen Fitnesslandschafts führt.
Die Studie zeigt, dass natively verschlungene Proteine aufgrund ihrer erhöhten Fehlfaltungsneigung statistisch signifikant häufiger mit menschlichen Krankheiten und pathogenen Mutationen assoziiert sind, was neue therapeutische Ansätze zur Vermeidung dieser Fehlfaltungszustände eröffnet.
Diese Studie liefert die erste umfassende Charakterisierung der 237 CdNAC-Transkriptionsfaktor-Gene im Genom von Cynodon dactylon, identifiziert deren phylogenetische Klassifizierung und zeigt ihre spezifischen Expressionsmuster sowie ihre regulatorischen Rollen bei der Toleranz gegenüber verschiedenen abiotischen Stressfaktoren auf.
Das Open-Source-Framework MSI-VISUAL ermöglicht durch die Integration wahrheitsgetreuer Visualisierungsmethoden und interaktiver Werkzeuge eine hochauflösende, skalierbare Analyse von Massenspektrometrie-Bildern, die subtile Gewebeprozesse und molekulare Muster besser aufdeckt als herkömmliche Ansätze.
Die Studie stellt LoPhy vor, ein neuartiges sequenzielles Algorithmus-Verfahren zur Rekonstruktion longitudinally konsistenter Phylogenien von Single-Nucleotide-Varianten (SNVs) und Copy-Number-Alterations (CNAs) aus Einzelzell-Sequenzierungsdaten, das anhand von AML-Kohorten die gemeinsame Rolle dieser Mutationen bei der Krankheitsprogression und Therapieresistenz aufdeckt.