1197 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 Arbeit stellt conMItion vor, ein R-Paket, das bedingte gegenseitige Information nutzt, um in Multi-Omics-Assoziationsanalysen robust für Konfundierungsfaktoren wie Tumorreinheit und Mutationslast zu adjustieren und dadurch die Genauigkeit der Identifizierung krebsrelevanter Gene und zellulärer Interaktionen zu verbessern.
Die Arbeit stellt DipGenie vor, ein skalierbares Werkzeug, das Genotypisierung und Phasierung auf Pangenom-Graphen unter Verwendung eines biologisch motivierten Rekombinationsbudgets gemeinsam optimiert und im Vergleich zu bestehenden graphbasierten Methoden deutlich niedrigere Switch-Fehlerraten sowie höhere F1-Werte für strukturelle Varianten erzielt.
WSInsight ist eine offene, cloudbasierte Plattform, die eine skalierbare, agentenaufrufbare Einzelzell-Phänotypisierung ganzer H&E-Schnittbilder aus diversen Speicherquellen ermöglicht und validierte, normkonforme Ausgaben für die translationale Forschung zum Tumormikromilieu liefert.
LIVIA ist ein frei verfügbares, browserbasiertes Werkzeug, das lokal lokale Konfidenzmetriken berechnet, Interface-Reste identifiziert und vorhergesagte Protein-Protein-Interaktionen über mehrere Plattformen hinweg visualisiert, und zwar mittels eines interaktiven 3D-Viewers sowie exportierbarer Skripte für ChimeraX und PyMOL.
Diese Studie entwickelt ein maschinelles Lern-Framework zur Imputation plattformübergreifender proteomischer Daten zwischen SomaScan und Olink, um damit persistierende Nicht-Replikationsprobleme zu lösen, die Wiederherstellung plattformexklusiver Signale zu ermöglichen und einen Protein-Fidelity-Index zu etablieren, der die Zuverlässigkeit der Entdeckung epidemiologischer Biomarker verbessert.
Diese Studie nutzt eine integrative transkriptomische Analyse über mehrere Datensätze hinweg, um oxidative Stress- und Entzündungs-bezogene Hub-Gene bei der Parkinson-Krankheit zu identifizieren und zeigt auf, wie spezifische bioaktive Nahrungsbestandteile diese Gen-Netzwerke durch nutrigenomische Interventionen modulieren können.
Dieser Beitrag stellt **bcrnnoise** vor, ein Open-Source-Python-Framework, das deterministische Drifts, Gaußsche Fluktuationen und additive sporadische Sprünge in einem einzigen stochastischen Differentialgleichungsmodell vereint, um genaue Transkriptionsspuren effizient zu erzeugen und dabei eine bis zu zwei Größenordnungen höhere Rechengeschwindigkeit im Vergleich zur exakten stochastischen Stichprobenziehung zu erreichen.
SaVanache ist ein Visualisierungstool mit mehreren Auflösungen, das eine effiziente, Echtzeit-Exploration und einen intuitiven Vergleich von einem zu vielen komplexen Pangenom-Variationsgraphen ermöglicht, indem es GFA-Dateien in optimierte Indizes vorverarbeitet und spezialisierte Glyphen verwendet, um strukturelle Variationen im Verhältnis zu einem linearen Pivot-Genom hervorzuheben.
Dieser Artikel stellt eine statistische Entstreifungsmethode für 10x Genomics VisiumHD-Daten vor, die Bin-Zählungen unter Verwendung von Kernsegmentierung und einem regularisierten generalisierten linearen Modell modelliert, um multiplikative Streifenartefakte effektiv zu entfernen und gleichzeitig großskalige biologische Signale zu erhalten, wodurch bestehende Normalisierungsansätze übertroffen werden.
Die Arbeit stellt SLiMNet vor, ein Deep-Learning-Modell, das Einbettungen aus großen Sprachmodellen für Proteine und kontrastives Lernen nutzt, um funktionelle Ähnlichkeiten zwischen kurzen linearen Motiven (SLiMs) vorherzusagen, wodurch die funktionelle Annotation zuvor nicht charakterisierter Motive ermöglicht und umfassende Atlanten potenzieller funktionaler Paare für die Forschungsgemeinschaft bereitgestellt werden.