💻 Category

bioinformatics

861 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.

💻 bioinformatics

LeafRank: A phylodynamic framework for inferring relative fitness from single-cell phylogenies in chromosomally unstable tumors

LeafRank ist ein neuartiges phylodynamisches Framework, das Einzelzell-DNA-Seq-Phylogenien und ein Multi-Typ-Verzweigungsprozess-Modell nutzt, um die relative Fitness einzelner Zellen in chromosomal instabilen Tumoren abzuleiten, wobei es die Wachstumsheterogenität erfolgreich quantifiziert und aufzeigt, dass Fitness in Linien mit Genomverdopplung durch nachfolgende Veränderungen statt durch unmittelbare Vorteile erworben wird.

Wu, C., Leder, K., Wang, Z., Sun, R.2026-07-09
💻 bioinformatics

Rectangle: robust and scalable multiscale deconvolution informed by single-cell RNA sequencing data

Rectangle ist ein robustes und skalierbares Python-Framework, das Multiskalen-Dekonvolution und die explizite Modellierung unbekannter Inhalte nutzt, um Zellphänotypen in Bulk-RNA-Seq-Daten unter Verwendung von Einzelzell-Referenzen präzise aufzulösen und dadurch eine hochauflösende zelluläre Profilierung auf Populationsebene zu ermöglichen.

Eder, B., Rigato, I., Dietrich, A., Merotto, L., Sturm, G., Treis, T., List, M., Theis, F., Finotello, F.2026-07-09
💻 bioinformatics

Coding agents author interpretable single-cell embedding models from the literature

Diese Arbeit zeigt auf, dass Coding-Agenten automatisch interpretierbare Zero-Shot-Einzelzell-Einbettungsmodelle generieren können, indem sie in der Literatur zitierte Genprogramme extrahieren und zu benannten Achsen zusammensetzen, wodurch eine biologische Qualität erreicht wird, die mit datengesteuerten Methoden vergleichbar ist, während gleichzeitig eine inhärente Batch-Robustheit und Interpretierbarkeit gewährleistet werden, ohne dass ein Training oder vorherige Gensatz-Datenbanken erforderlich sind.

Brunn, N., Krissmer, S. M., Frosch, M., Frick, M., Prinz, M., Binder, H.2026-07-09
💻 bioinformatics

PredHLM: quantitative and interpretable prediction of metabolic half-life in human liver microsomes

Diese Studie präsentiert PredHLM, ein quantitatives und interpretierbares, auf XGBoost basierendes maschinelles Lernmodell, das an nahezu 12.000 Verbindungen trainiert wurde, die Halbwertszeit des Metabolismus in menschlichen Lebermikrosomen genau vorhersagt und entscheidende chemische Treiber identifiziert, um eine schnelle Entscheidungsfindung in der frühen Arzneimittelentdeckung zu unterstützen.

Jang, J., Cho, N.-C., Oh, K.-S.2026-07-08
💻 bioinformatics

Characterizing dynamic tissue architectures by identifying cell-type-specific spatiotemporal gene programs with stGP

Das Paper stellt stGP vor, ein statistisches Framework, das spatiotemporale transkriptomische Daten in zeitliche und räumliche Komponenten zerlegt, um interpretierbare, zelltypspezifische Genprogramme zu identifizieren und dadurch aufzuzeigen, wie sich dynamische Gewebearchitekturen und lokalisierte zelluläre Antworten über die Zeit und über anatomische Nischen hinweg entwickeln.

Yu, B., Tan, Z., Wan, X., Wang, H., Yang, C.2026-07-08
💻 bioinformatics

Residual Multi-Modal Learning for Pan-Breast-Cancer Drug Response Prediction

Das Papier stellt DL4DR vor, ein Two-Tower-Residual-Late-Fusion-Deep-Learning-Modell, das Pan-Brustkrebs-Wirkstoffreaktionen vorhersagt, indem es Zelllinien als genomische Bilder kodiert und molekulare Repräsentationen kombiniert, wodurch es eine überlegene Generalisierung auf ungesehene Zelllinien und Krebstypen erreicht und gleichzeitig neuartige genomische Treiber identifiziert, ohne sich auf Zelllinienidentitäten zu verlassen.

Huang, B., Tasaka, L., Li, J., Islam, T., Zhang, S.2026-07-08
💻 bioinformatics

Scanning transcriptomes for nonlinear, domain-level similarities using hmSEEKR

Das Papier stellt hmSEKRE vor, ein k-mer-basiertes Hidden-Markov-Modell, das Transkriptome scannt, um nicht-lineare Ähnlichkeiten auf Domänenebene in langen nichtkodierenden RNAs zu identifizieren und dadurch die Entdeckung funktionell verwandter RNA-Domänen sowie deren assoziierter Protein-Interaktionsnetzwerke ermöglicht, ohne dass ein Vorwissen über Sequenzalignments erforderlich ist.

Li, S., Sprague, D. A., Eberhard, Q. E., Boyson, S. P., Laederach, A., Calabrese, J. M.2026-07-08
💻 bioinformatics

AllTheBacteria: a community resource empowers biology and discovers novel peptide antibiotics

Die Arbeit stellt AllTheBacteria vor, eine umfassende Community-Ressource, die nahezu 2,5 Millionen öffentliche bakterielle Genome einheitlich verarbeitet, um groß angelegte biologische Forschung zu ermöglichen, und demonstriert erfolgreich deren Nutzen durch die Entdeckung und Validierung neuartiger peptidischer Antibiotika mittels KI-gestützter Exploration.

Hunt, M., Torres, M. D. T., Alikhan, N.-F., Anderson, D., Andreani, M. L., Blom, J., Bouras, G., Brinkman, F., Carroll (…)2026-07-07
💻 bioinformatics

PHI: A Galaxy-based workflow for reproducible prophage-host interaction analysis and standardized viral-genomics reporting

Das Paper stellt PHI vor, einen benutzerfreundlichen und automatisierten Galaxy-basierten Workflow, der die reproduzierbare Prophagen-Identifizierung, die Vorhersage von Wirtsinteraktionen sowie die funktionelle Charakterisierung optimiert und gleichzeitig standardisierte Berichte erstellt, um die Barrieren sowohl für Experten als auch für Nicht-Experten in der viralen Genomforschung zu senken.

Saraiva, J. P., Borim Correa, F., Bernt, M., Ghanem, N., Nieto, E., Brizola Toscan, R., Y. Wick, L., Chatzinotas, A.2026-07-07