1244 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.
Das Paper stellt Dingent vor, ein leicht deploybares und konfigurierbares Agenten-Framework, das die natürliche Sprachabfrage und Integration verschiedener Datenquellen über eine Web-Oberfläche ermöglicht und sich erfolgreich in Anwendungsszenarien wie den Geowissenschaften und der Ökologie bewährt hat.
Das KI-Tool RNAGAN nutzt ein generatives adversariales Netzwerk, das auf umfangreichen menschlichen RNA-Seq-Daten trainiert wurde, um durch eine einzige Trainingsphase vier Anwendungen zu ermöglichen: Patientenstratifizierung, Identifizierung von Gen- und Pathway-Markern, Generierung von Pseudodaten bei kleinen Stichprobengrößen sowie Vektorisierung auf Gene- und Pathway-Ebene, wodurch die Interpretierbarkeit verbessert und der Bedarf an Rechenleistung und großen Datensätzen reduziert wird.
TriGraphQA ist ein neuartiges Triple-Graph-Lernframework, das durch die explizite Entkopplung von monomerischen und interfacialen Darstellungen sowie die Aggregation von Kontextinformationen die Genauigkeit der Qualitätsbewertung von vorhergesagten Protein-Protein-Komplexen im Vergleich zu bestehenden Methoden signifikant verbessert.
Das Paper stellt GenBio-PathFM vor, ein 1,1-Milliarden-Parameter-Fundamentmodell für die Histopathologie, das durch eine automatisierte Datencurierung und eine neuartige JEDI-Lernstrategie (JEPA + DINO) trotz der Verwendung ausschließlich öffentlicher Daten und weniger Trainingsdaten den aktuellen Stand der Technik auf öffentlichen Benchmarks erreicht.
Die Autoren stellen eine neue Heuristik zur Pareto-Optimierung von maskierten Superstrings vor, die durch die gleichzeitige Minimierung der Superstring-Länge und der Maskenkomplexität die Kompression von Pan-Genom-k-Mer-Sets im Vergleich zu bestehenden Methoden um 12–19 % verbessert.
Die Studie stellt ViSNet-PIMA vor, ein neues physik-informiertes Modell zur effizienten Erfassung nicht-lokaler Wechselwirkungen, das die Genauigkeit von ab-initio-Biomolekül-Simulationen signifikant verbessert und durch Integration in AI2BMD die Fehler bei Energie- und Kraftberechnungen um mehr als 50 % reduziert.
Das Paper stellt RNASTOP vor, ein Deep-Learning-Framework, das die Vorhersage und Optimierung der chemischen Stabilität von mRNA durch die Kombination von neuronalen Netzen mit heuristischen Suchalgorithmen verbessert und dabei sowohl die Genauigkeit als auch die Stabilität von Impfstoffsequenzen signifikant steigert.
Diese Studie nutzt computergestützte Molekulardocking-Methoden, um die Interaktionen zwischen Plasmodium-falciparum-Antigenen und T-Zell-Rezeptoren zu analysieren und identifiziert PfCyRPA, PfMSP10 sowie PfCSP als vielversprechende Kandidaten für die Entwicklung eines Malaria-Impfstoffs.
Diese Studie identifiziert durch bioinformatische Analysen mehrerer Transkriptom-Datensätze Vitamin-D-Stoffwechselstörungen und chronische Entzündungswege als zentrale molekulare Merkmale der Gebrechlichkeit und schlägt daraus abgeleitete Biomarker für die Diagnose und Therapieentwicklung vor.
Die Studie stellt CLIPepPI vor, ein skalierbares, kontrastiv lernendes Dual-Encoder-Modell, das durch die Kombination von Protein-Sprachmodellen, strukturellen Kontextinformationen und effizientem Feinabstimmen die Spezifität von Domänen-Peptid-Interaktionen präzise vorhersagt und sich für groß angelegte proteomische Analysen sowie die Vorhersage von Varianteneffekten eignet.