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.
Die Studie stellt das „Duplicate Monophyly Criterion" (DMC) als empirische Methode vor, die durch synthetische Taxon-Duplikate als interne Kontrollen die Störungsstärke für parametrisches Bootstrapping in distanzbasierten Strukturphylogenien kalibriert, um so eine objektive Schätzung der phylogenetischen Unterstützung zu ermöglichen.
Diese Studie analysiert genomische Daten von 58 über 21 Jahre gesammelten Isolaten der dänischen Epidemiestamm-Linie (DES) von *Achromobacter ruhlandii* und zeigt, dass deren Entstehung um 1990 auf umfangreichen horizontalen Gentransfer, die Integration großer mobiler genetischer Elemente sowie eine erhöhte Resistenz und Eisenakquisition zurückzuführen ist, was die erfolgreiche Anpassung an chronische Infektionen bei Mukoviszidose-Patienten ermöglicht.
Das Paper stellt Deconomix, ein umfassendes Python-Toolkit mit grafischer Benutzeroberfläche, vor, das zur Entschlüsselung der zellulären Zusammensetzung, der zellspezifischen Genregulation und von Hintergrundbeiträgen in heterogenen Bulk-Transkriptomdaten dient.
Diese Arbeit stellt ein universelles maschinelles Lernmodell vor, das durch einen reduktionistischen Ansatz die Prinzipien nicht-kovalenter Wechselwirkungen zwischen Arzneimitteln und Rezeptoren erlernt, um damit die Lücke in der rationalen Wirkstoffentwicklung zu schließen und Vorhersagen für völlig neue chemische Substanzen zu ermöglichen.
FlashDeconv ermöglicht eine atlasweite, multi-resolutive räumliche Deconvolution von Visium HD-Daten durch strukturerhaltendes Sketching, das trotz Skalierung auf Millionen von Bins hohe Genauigkeit bewahrt und damit zuvor unentdeckte zelluläre Nischen in Mausdarm und menschlichem Darmkrebs aufdeckt.
Die Studie stellt Col-Ovo vor, ein smartphonebasiertes KI-System, das die schnelle und präzise Zählung von Aedes-Eiern aus Feldaufnahmen ermöglicht und damit einen kritischen Engpass in der Überwachung von Dengue-, Zika- und Chikungunya-Vektoren durch die Automatisierung des manuellen Zählprozesses beseitigt.
Die Studie stellt RiboPipe vor, ein effizientes Framework zur Imputation der kodonauflösenden Ribo-seq-Abdeckung für Transkripte mit geringer Abdeckung, das durch eine gemeinsame Optimierung der Vorhersage und eine gewichtete Verlustfunktion stabile Ergebnisse auch bei begrenzten Trainingsdaten erzielt.
Das Paper stellt MiCBuS vor, eine Methode, die durch die Kombination von Bulk- und unvollständigen Single-Cell-RNA-Sequenzierungsdaten Dirichlet-Pseudo-Bulk-Proben erzeugt, um Marker-Gene für bisher unbekannte Zelltypen zu identifizieren, was mit herkömmlichen Differenzialanalysen nicht möglich ist.
Dieser Artikel stellt die P. putida-Metabolom-Referenzdatenbank (PPMDB v1) vor, eine umfassende Ressource, die durch die Zusammenführung und computergestützte Erweiterung von Metabolitinformationen sowie die Integration analytischer und pathway-bezogener Daten die ungerichtete Metabolomik und biologische Interpretation im wichtigen Modellorganismus Pseudomonas putida KT2440 ermöglicht.
Die Studie stellt PACMON vor, ein skalierbares, bayesisches latentes Faktor-Modell, das multimodale Omics-Daten aus groß angelegten Perturbationsscreens integriert, um biologische Signalwege und deren Modulation durch experimentelle Störungen interpretierbar und präzise zu entschlüsseln.