1012 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 VDJcraft vor, eine integrierte Pipeline zur präzisen Analyse von V(D)J-Rekombinationen aus Langread-Transkriptomdaten, die durch verbesserte Genentdeckung, die Identifizierung neuer Gen-Subklassen und die Charakterisierung krankheitsassoziierter Immunsignaturen, wie etwa bei COVID-19, bestehende Methoden übertrifft.
Diese Arbeit stellt drei neue, wiederholungsrobuste Schätzer für Mutationsraten vor, die auf k-Mer-Sketches basieren und sich durch ihre Überlegenheit gegenüber bestehenden Methoden bei der Analyse hochrepetitiver Sequenzen wie Alpha-Satelliten-DNA auszeichnen.
Die Studie stellt ein interpretierbares, auf Aufmerksamkeit basierendes Deep-Learning-Framework vor, das durch die Integration multipler Omics-Daten (mRNA, miRNA, DNA-Methylierung) die Prognose des hepatozellulären Karzinoms signifikant verbessert und dabei biologisch relevante Biomarker identifiziert.
Das Papier stellt PanTEon vor, ein cross-kingdom Deep-Learning-Framework mit einer harmonisierten Datenbank und einer modularen Benchmarking-Plattform, das eine reproduzierbare und standardisierte Klassifizierung von Transposons über verschiedene Eukaryoten hinweg ermöglicht und dabei die Herausforderungen der generalisierbaren Vorhersage sowie die Vorteile von Ensemble-Methoden aufzeigt.
Das Paper stellt Correlate vor, eine browserbasierte Webanwendung, die es Forschern ermöglicht, CRISPR-Screen-Daten des Cancer Dependency Map (DepMap) zu nutzen, um funktionale Genabhängigkeiten und -netzwerke direkt aus den experimentellen Daten abzuleiten, ohne auf vordefinierte biologische Annotationen angewiesen zu sein.
Die Studie stellt „Nettle" vor, eine Open-Source-Methode zur Verbesserung der Quantifizierung in der DIA-Proteomik durch Imputation von Retentionszeitgrenzen anstelle von fehlenden Intensitätswerten, was zu genaueren Ergebnissen, niedrigeren Nachweisgrenzen und der Möglichkeit führt, quantitative Verhältnisse in Fällen zu bestimmen, die mit herkömmlichen Ansätzen nicht lösbar wären.
CellWHISPER ist ein statistisches Framework, das mithilfe eines speziellen Hypothesentests und latenter Variablenmodelle direkte Zell-Zell-Kommunikation aus räumlichen Transkriptomdaten präzise von struktureller Nähe unterscheidet, um robuste und skalierbare Einblicke in Gewebe- und Krankheitsmechanismen zu ermöglichen.
Die Studie stellt GATSBI vor, ein graphenbasiertes Framework zur Erstellung kontextbewusster Protein-Embeddings, das durch biologisch motivierte Datenaufteilungen und eine taskspezifische Evaluierung die Vorhersagegenauigkeit für sowohl gut als auch schlecht untersuchte Proteine im Vergleich zu bestehenden Methoden signifikant verbessert.
Das Paper stellt muat vor, eine portable, auf Transformer-Architekturen basierende Software, die somatische Varianten aus WGS- und WES-Daten nutzt, um Tumoren in verschiedenen Umgebungen, einschließlich sicherer Verarbeitungsumgebungen, zu klassifizieren und Repräsentationen zu lernen.
Die Studie stellt PANDA vor, eine grafische Pipeline zur phasenweisen Analyse von DNA-Amplikons, die durch die Verknüpfung ungepaarter Reads kontinuierliche Methylierungsmuster einzelner Moleküle wiederherstellt und so die Erfassung epialleler Heterogenität in gezielten Bisulfit-Sequenzierungsstudien ermöglicht.