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 ERFMTDA vor, ein verbessertes rotierendes Faktorisierungsmodell, das durch die explizite Modellierung komplexer biologischer Merkmale und eine motivbasierte negative Stichprobenziehung die Vorhersage von Assoziationen zwischen tsRNAs und Krankheiten übertrifft.
Die Studie stellt TCRseek vor, ein skalierbares Zwei-Phasen-System zur effizienten Suche in großen T-Zell-Rezeptor-Repertoires, das biologisch fundierte k-mer-Embeddings mit Approximate-Nearest-Neighbor-Indizierung und einer nachgeschalteten Neuordnung kombiniert, um die Geschwindigkeit im Vergleich zu exakten Suchmethoden um das 3,6- bis 39,6-fache zu steigern, ohne dabei die Sensitivität signifikant zu beeinträchtigen.
Die Studie zeigt, dass SNP-Anmerkungen erheblich von der Wahl des Tools und des Genmodells abhängen und dass eine integrierte Multi-Tool-Strategie notwendig ist, um eine vollständige Abdeckung zu gewährleisten und zuverlässige pathway-basierte Schlussfolgerungen zu ermöglichen.
dreampy ist eine Python-Implementierung des R-basierten dreamlet-Frameworks, die eine pseudobulk-basierte differentielle Expressionsanalyse für Einzelzell-RNA-Sequenzierungsdaten unter Berücksichtigung von Batch-Effekten und hierarchischen Strukturen ermöglicht und dabei nahtlos in das AnnData- und scverse-Ökosystem integriert ist.
Die Studie stellt Micro16S vor, ein Deep-Learning-Modell, das 16S-rRNA-Sequenzen basierend auf phylogenetischen Beziehungen in einen kontinuierlichen Vektorraum einbettet, um evolutionäre Zusammenhänge zu erfassen, wobei zwar eine verbesserte Regionsinvarianz und taxonomische Kohärenz erreicht werden, klassische Machine-Learning-Methoden jedoch in aktuellen Klassifizierungsaufgaben noch überlegen sind.
Das Paper stellt ExposoGraph vor, eine interaktive Wissensgraph-Plattform, die Karzinogene, deren metabolische Aktivierung und Entgiftung, DNA-Schäden sowie genetische Annotationen integriert, um systematische Analysen von Gen-Umwelt-Interaktionen im Kontext des Krebsrisikos zu ermöglichen.
Die Studie definiert und evaluiert einen umfassenden Rahmen aus sieben Dimensionen für die KI-Bereitschaft biomedizinischer Daten, der über die FAIR-Prinzipien hinausgeht, um durch ethische Governance und prä-modellare Strenge Bias und Fehler in der KI-Entwicklung zu minimieren.
Die Studie identifiziert im menschlichen T2T-Genom außergewöhnlich lange, über 140 kb umfassende, entomopoxvirusähnliche Sequenzen, die sich fast ausschließlich in den zentromerischen und perizentromerischen hsat1A-Regionen befinden und dort transkribiert werden.
Die Studie zeigt, dass die Leistungsfähigkeit von Bisulfit-Sequenzierungsmethoden und Bioinformatik-Tools zur DNA-Methylierungsanalyse in genetisch variablen natürlichen Populationen stark variiert, wobei RRBS zwar weniger intermediate Methylierung erfasst, aber für die Detektion funktionell relevanter Unterschiede in nicht-modellorganismen besonders geeignet ist.
Die Studie stellt ChEA-KG vor, eine interaktive Webanwendung, die ein hochwertiges, gerichtetes und vorzeichenbehaftetes menschliches Genregulationsnetzwerk von Transkriptionsfaktoren bereitstellt, das durch TF-Anreicherungsanalyse abgeleitet wurde und über Visualisierungstools sowie themenspezifische Atlanten für Zelltypen, Krebs, Wirkmechanismen und Alterung zugänglich ist.