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.
EXTRARTNAS ist ein reproduzierbares, Docker-basiertes Java-Framework, das die Extraktion von RNA-Strukturannotationen unter Verwendung mehrerer Tools automatisiert und deren heterogene Ausgaben in die BPSEQ- und das neue BPSEQE-Format standardisiert, um einen konsistenten Vergleich von kanonischen und nicht-kanonischen Interaktionen zu erleichtern.
Das Paper stellt dnoise vor, ein schnelles Open-Source-Rust-Tool, das den Speicherbedarf von Bruker timsTOF-Nativdaten signifikant reduziert, indem es redundante Punkte entfernt und dabei die analytische Genauigkeit sowohl in DDA- als auch in DIA-Workflows bewahrt.
Diese Arbeit präsentiert MetaDome 2027, eine umfassend aktualisierte Ressource, die Evidenzen für Missense-Varianten über homologe menschliche Proteindomänen mit GRCh38-Unterstützung aggregiert, wodurch die Domänenabdeckung signifikant erweitert und entscheidende pathogene Evidenzen zur Reklassifizierung von Varianten unklarer Signifikanz in der klinischen Genetik bereitgestellt werden.
scPyviewer ist ein Python-nativer, webbasierter interaktiver Viewer, der es Nicht-Programmierern ermöglicht, AnnData-Einzelzell-Datensätze direkt ohne Seurat-Konvertierung zu explorieren, wobei er eine Funktionsparität mit bestehenden R-Shiny-Tools bietet und gleichzeitig eine überlegene Rendering-Geschwindigkeit, einen geringeren Speicherverbrauch sowie die Fähigkeit demonstriert, große Datensätze zu verarbeiten, an denen R-basierte Alternativen scheitern.
Das Paper stellt C-PLANK vor, ein auf zellulären Chemoproteomik-Daten trainiertes Deep-Learning-Framework, das bestehende Modelle bei der Vorhersage von Fragment-Protein-Interaktionen übertrifft und durch die Integration von physikochemischen Embeddings mit einer systembiologischen Plausibilitätsmetrik erfolgreich einen neuartigen SIRT3-Agonisten identifiziert hat.
RegimeFormer ist ein groß angelegtes Proteinmodell, das durch seine zugehörige RegimeAtlas-Datenbank mit über 200 Millionen Sequenzen globale Perturbationsregime etabliert, um Residuenebene-Mutations-Effekte vorherzusagen und das nachgeschaltete biologische Modellieren, insbesondere für ungesehene Proteine und Familien, zu verbessern.
Dieses Paper führt den Dynamic Hierarchical Interleaved Bloom Filter ein, eine skalierbare und aktualisierbare Indexierungsstruktur, die den aktuellen Stand der Technik des HIBF durch partielles Rebuilding erweitert, um eine effiziente groß angelegte Sequenzsuche zu ermöglichen, wobei die Fähigkeit demonstriert wird, über 100 TB an RNA-Seq-Daten zu indizieren und neue Proben 24- bis 65-mal schneller als konkurrierende Tools einzufügen.
Vipsania ist das erste unüberwachte Deep-Learning-Tool, das proteinkodierende Genstrukturen über diverse eukaryotische Genome hinweg präzise vorhersagt, indem es direkt aus unannotierten Sequenzen lernt und dadurch die Einschränkungen überwachter Methoden überwindet, die hochwertige Trainingsdaten erfordern und Schwierigkeiten mit entfernten oder basalen Kladen haben.
PhageTransformer ist ein Deep-Learning-Modell, das die Einschränkungen bestehender Werkzeuge überwindet, indem es skalierbare, präzise und schnelle Wirtsprognosen für Bakteriophagen bereitstellt, wie durch seine überlegene Leistung bei tausenden unabhängigen Phagen-Wirt-Paaren nachgewiesen wurde.
Das Papier stellt morphOTU vor, ein KI-gestütztes Framework, das durch selbstüberwachtes Lernen und hierarchisches Clustering direkt aus Präparatbildern operationale Biodiversitätseinheiten ableitet und so eine präzise Quantifizierung der Artenvielfalt sowie die Entdeckung morphologischer Muster selbst in Abwesenheit formaler taxonomischer Labels oder umfangreicher Trainingsdaten ermöglicht.