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 EGGS vor, ein in C geschriebenes Werkzeug zur Generalisierung empirischer Genotypen mit fehlenden Daten, das zudem verschiedene Simulationen (wie Deaminierung und Sequenzfehler) durchführt und Konvertierungen zwischen gängigen Genomdatenformaten ermöglicht.
CycleGRN ist ein neuartiges Framework, das aus zyklischen Flussdynamiken in Einzelzell-RNA-Sequenzierungsdaten Gene-Regulationsnetzwerke ableitet, indem es Zellzyklus-Genexpression als invariante Maßzahl stochastischer Differentialgleichungen behandelt und zeitlich verzögerte Korrelationen auf einem flussausgerichteten Graphen nutzt, um regulatorische Wechselwirkungen ohne zeitliche Binning oder Spleiß-Dynamik zu rekonstruieren.
Das MOSAIC-Framework stellt eine spektrale Methode zur integrativen Charakterisierung von Phänotypen auf Populationsebene dar, die durch die Erzeugung einer gemeinsamen Einbettung von Merkmalen und Proben aus Single-Cell-Multi-Omics-Daten neue Einblicke in regulatorische Netzwerk-Umschaltungen, Patientensubtypen und klinische Vorhersagen ermöglicht.
Das Paper stellt MAP vor, ein wissensgestütztes Framework, das durch die Integration eines großen biologischen Wissensgraphen und kontrastives Lernen die Vorhersage von zellulären Reaktionen auf nicht charakterisierte Wirkstoffe ermöglicht und dabei die Generalisierungsfähigkeit bestehender Modelle signifikant verbessert.
Das Paper stellt SpaMOAL vor, eine graphbasierte kontrastive Lernmethode, die räumliche Koordinaten, histologische Bildmerkmale und molekulare Profile integriert, um die Identifizierung räumlicher Gewebedomänen in Multi-Omics-Daten präziser zu ermöglichen als bestehende Ansätze.
Die Studie stellt ein auf optimaler Transporttheorie basierendes Framework vor, das kontinuierliche Differenzierungs- und Migrationsdynamiken von CD8-T-Zellen während einer viralen Infektion rekonstruiert und dabei zeitlich aufgelöste Wanderungswellen sowie regulatorische Mechanismen für die Entstehung gewebespezifischer Gedächtniszellen aufdeckt.
Das Paper stellt keju vor, ein hierarchisches statistisches Modell zur präziseren Inferenz in Massively Parallel Reporter Assays (MPRAs), das durch die Berücksichtigung unterschiedlicher Unsicherheiten in DNA- und RNA-Zählungen sowie durch Konditionierung auf DNA-Daten eine deutlich höhere Sensitivität und eine robustere Kontrolle der falsch-positiven Raten im Vergleich zu bestehenden Methoden erreicht.
Diese Studie bewertet Sure Screening-Methoden als leistungsfähige, modellfreie Filteransätze zur Merkmalsselektion in hochdimensionalen Omics-Datensätzen und identifiziert BcorSIS als die effizienteste und genaueste Methode für Klassifikationsaufgaben, wie beispielsweise bei der Erforschung von Typ-1-Diabetes.
Die Studie stellt GeCCo vor, ein mathematisch fundiertes Framework, das durch die Konstruktion einer hierarchischen Genprogramm-Struktur auf Basis boolescher Regulationslogik die inkonsistente Zelltypisierung in der Einzelzell-Transkriptomik überwindet und eine robuste, kontextabhängige Identifizierung von Zellen ermöglicht.
Die Autoren stellen bionSBM vor, eine graphbasierte Topic-Modelling-Methode, die durch den Einsatz von Community-Detection-Algorithmen in multipartiten Graphen eine überlegene Clusterung und biologisch interpretierbare Analyse von hochdimensionalen, spärlichen und verrauschten Single-Cell-Multi-Omics-Daten ermöglicht.