💻 Category

bioinformatics

1197 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.

💻 Bioinformatik

Sequence-Based Prioritization of Promoter Regulatory Variants in Colorectal Cancer Using a DNA Foundation Model

Diese Studie stellt ein computergestütztes Framework vor, das das Evo2-DNA-Grundmodell nutzt, um nichtkodierende regulatorische Varianten beim kolorektalen Karzinom zu priorisieren, indem sie deren Auswirkungen auf Promotorsequenzen quantifiziert, und identifiziert erfolgreich hochwirksame Kandidaten, die in krebssrelevanten Signalwegen und GWAS-Loci angereichert sind, ohne auf überwachte Trainingsverfahren oder vordefinierte Annotationen zurückzugreifen.

Shome, S., Vajinepalli, S., Saraf, A.2026-05-28
💻 Bioinformatik

SQANTI-browser: visualization and curation of SQANTI3-classified long-read transcriptomes within the UCSC Genome Browser

SQANTI-browser ist ein neuartiges Visualisierungsframework, das SQANTI3-klassifizierte Long-Read-Transkriptomdaten in den UCSC Genome Browser integriert und interaktives Filtern, evidenzbasierte Kuratierung sowie die Auflösung von Alignierungsartefakten ermöglicht, um handlungsrelevante neue Isoformen über diverse Datensätze hinweg wiederherzustellen.

Paniagua, A., Blanco-Gomez, C., Colomer Fernandez, A., Diekhans, M., Conesa, A., Monzo, C.2026-05-28
💻 Bioinformatik

CARIBOU: Computational AI Research Interface for Bioinformatics, Omics, and Unifying Agents

CARIBOU ist ein Multi-Agenten-KI-Framework, das für autonome, iterative und reproduzierbare bioinformatische Analysen in hochleistungsfähigen Rechenumgebungen von Institutionen konzipiert ist und dabei von Forschern bearbeitbare Blaupausen sowie persistente ausführbare Zustände nutzt, um die Grenzen statischer Codegenerierung bei der Verarbeitung großskaliger Einzelzell- und räumlicher Omics-Datensätze zu überwinden.

Riffle, D., Shirooni, N., Sureshkumar, P., Vijay, V., Rose, M. F.2026-05-28
💻 Bioinformatik

Signal, Bounds, and Baselines: Principles for Evaluating Virtual Cell Perturbation Models

Dieser Beitrag stellt das SBB-Framework (Signal, Bounds und Baselines) vor, um virtuelle Zellperturbationsmodelle rigoros zu evaluieren, und zeigt auf, dass komplexe Deep-Learning-Methoden häufig keine sinnvolle Überlegenheit gegenüber einfachen linearen Baselines aufweisen, wodurch die Notwendigkeit standardisierter Metriken unterstrichen wird, um echte biologische Signale von statistischen Artefakten zu unterscheiden.

Vollenweider, M. S., Bühlmann, P.2026-05-27
💻 Bioinformatik

There and back again: a multi-omics tale of thyroid co-expression network rewiring

Diese Studie etabliert einen Best-Practice-Rahmen für die Konstruktion simultaner Multi-Omics-gewichteter Gen-Ko-Expressionsnetzwerke zur Analyse der Schilddrüsentoxizität und -erholung in einem Nagetiermodell und zeigt, dass das Konkatenieren unskalierter Omics-Schichten die biologische Struktur bewahrt, während sie durch komplementäre Modul-Erhaltungs- und differentielle Konnektivitätsanalysen umfangreiche molekulare Störungen und eine teilweise Wiederherstellung aufdecken.

Pozhidaeva, M., Bussmann, H., Huisinga, M., Buesen, R., Hackermüller, J., Canzler, S.2026-05-27
💻 Bioinformatik

GAE-Δ: A Graph-Learning Framework for Gene Network Rewiring and Clinical Outcome Prediction from Multi-Omics Data

Das GAE-Δ-Framework nutzt einen Graphen-Autoencoder, um phänotypspezifische Umverdrahtungen von Gen-Netzwerken über Multi-Omics-Daten hinweg zu modellieren, und erzielt im Vergleich zu bestehenden linearen Faktorisierungs- und netzwerkbasierten Methoden eine überlegene Vorhersage klinischer Ergebnisse sowie die Identifizierung biologisch relevanter Krebs-Treiber.

Tang, Z., Chen, Z., Chen, M., Wang, Y., Ennis, S., Niranjan, M., Ewing, R.2026-05-26
💻 Bioinformatik

Decoding Multicellular Communication Motifs from Spatial Transcriptomics with ALARMIST

Die Arbeit stellt ALARMIST vor, ein probabilistisches Framework, das interpretierbare multizelluläre Kommunikationsmotive aus räumlichen Transkriptomdaten decodiert, um Signalmuster höherer Ordnung und deren nachgelagerte phänotypische Auswirkungen zu identifizieren, und demonstriert dabei seine Nützlichkeit bei der Aufdeckung mikroumgebungsbedingter Treiber des Tumorprogressions bei Lungenadenokarzinom und Glioblastom.

Fan, J., Hood, J., Strong, J., Quinn, J. F., Dai, Y., Data Science TeamLab,, Schein, A., Yu, K. K. H., Tansey, W.2026-05-26
💻 Bioinformatik

Integrated optimization of experimental and computational workflows improves genome recovery in long-read gut metagenomics

Dieser Beitrag stellt eine systematische Optimierung der CycloneSEQ-Plattform vor, die experimentelle Probenverarbeitung mit computergestützten Assemblierungsworkflows integriert, um die Einschränkungen der Short-Read-Sequenzierung zu überwinden und die Gewinnung vollständiger mikrobieller Genome aus Long-Read-Darmmetagenomik erheblich zu verbessern.

Hu, Y., Sun, L., Huang, Y., Jiang, F., Tong, X., Yang, J., Ju, Y., Yang, Z., Liufu, S., Hu, Y., Ma, W., Guo, R., Li, W. (…)2026-05-26
💻 Bioinformatik

Characterizing homology-induced data leakage and memorization in genome-trained sequence models

Dieser Artikel zeigt, dass homologiebedingte Datenlecks die Leistung genomtrainierter Sequenzmodelle systematisch aufblähen, indem sie dazu führen, dass diese Modelle auf auswendig gelernten Assoziationen statt auf generalisierbaren Prinzipien beruhen, und stellt das Tool hashFrag vor, um eine homologiebewusste Datenaufteilung für eine zuverlässigere Evaluation und eine verbesserte Modellgeneralisierbarkeit zu ermöglichen.

Rafi, A. M., Kiyota, B., Yachie, N., de Boer, C. G.2026-05-25