766 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 ETSAM vor, eine zweistufige, auf SAM2 basierende KI-Methode, die durch Feinabstimmung auf einem vielfältigen Datensatz aus experimentellen und simulierten Cryo-ET-Tomogrammen Zellmembranen mit bisher unerreichter Präzision und Sensitivität segmentiert und dabei bestehende Deep-Learning-Verfahren deutlich übertrifft.
Die Studie zeigt, dass der Aufbau eines virtuellen Zellenmodells einen Paradigmenwechsel von reinen Ausrichtungszielen hin zu synergistischen Integrationsmethoden erfordert, die komplementäre multimodale Signale nutzen, da Standardansätze oft nur lineare Redundanzen erfassen und die Vorteile multimodaler Frameworks erst bei Aufgaben mit verteilten Informationen über Modalitäten hinweg zum Tragen kommen.
Die Studie zeigt mittels einer statistisch-mechanischen Verallgemeinerung des Gaußschen Netzwerkmodells, dass die Aktivierung von KRAS durch einen entropiegetriebenen Mechanismus erfolgt, bei dem die gewonnene Konformationsentropie die energetischen Kosten der aktiven GTP-Bindung kompensiert und Switch I als primärer allosterischer Ort identifiziert wird.
Das Paper stellt Graph Lens Lite vor, ein browserbasiertes Werkzeug zur interaktiven Visualisierung, Analyse und zum Teilen biologischer Netzwerke, das speziell für die Darstellung von Krankheitsmechanismen und Wirkstoffmodellen entwickelt wurde.
Das Paper stellt ToxiVerse vor, eine öffentlich zugängliche Webplattform, die kuratierte Toxizitätsdaten, chemische Bioprofiling-Funktionen und eine benutzerfreundliche Schnittstelle zur Erstellung von QSAR-Vorhersagemodellen für Forscher ohne Programmierkenntnisse bereitstellt.
Diese Studie bewertet Deep-Learning-Methoden für das De-novo-Design von GPCR-Peptiden und stellt fest, dass zwar die Probennahme von Peptidstrukturen erfolgreich ist, die Validierung jedoch aufgrund einer signifikanten Überschätzung von Konfidenzwerten und mangelnder Sequenzqualität versagt, was auf ein ungelöstes Bewertungsproblem hinweist.
Dieses Paper stellt eine Erweiterung des räumlichen Clustering-Algorithmus SpatialLeiden vor, der durch flexible Nachbargraphen-Multiplexierung atlasweite, 3D- und multimodale räumliche Omics-Daten effizient verarbeitet und dabei eine überlegene Skalierbarkeit sowie stabile Rekonstruktionen auf Standardhardware ermöglicht.
HMM-Flagger ist ein referenzfreies Werkzeug, das mithilfe von Hidden-Markov-Modellen und Lesetiefe-Analysen strukturelle Fehler in haplotypaufgelösten Genomassemblierungen erkennt und dabei sowohl synthetische als auch reale menschliche Genomdaten, einschließlich der HPRC-Assemblierungen, effektiv validiert.
Die Studie stellt TreeMS2 vor, ein skalierbares, annotierungsfreies Werkzeug, das phylogenetische Bäume direkt aus rohen Tandem-Massenspektrometrie-Daten (Proteomik und Metabolomik) ableitet, um evolutionäre Beziehungen auf molekularer Ebene zu erfassen und mit genetischen Stammbäumen zu vergleichen.
Die Studie stellt STEQ vor, eine neue, statistisch konsistente und skalierbare distanzbasierte Methode zur schnellen und präzisen Schätzung von Artbäumen aus multilokalen Daten unter dem Multi-Species-Coalescent-Modell, die in ihrer Geschwindigkeit führende Zusammenfassungs-Methoden wie ASTRAL übertrifft, während sie eine vergleichbare Genauigkeit beibehält.