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.
Die Studie stellt Zigo vor, eine maschinell gelernte, referenzfreie Methode zur Geschlechtsbestimmung aus Standard-VCF-Dateien, die durch eine polynomiale Gleichung manuelle Schwellenwertanpassungen eliminiert und dabei hohe Genauigkeit sowie Robustheit über verschiedene Genomdatentypen hinweg gewährleistet.
Die Arbeit stellt eine neue Methode vor, die durch Interpolation und Extrapolation von Knotenanzahlen in farbigen komprimierten de-Bruijn-Graphen sowie die Anwendung von Hill-Zahlen zur Gewichtung seltener Sequenzen die Vergleichbarkeit von Pangenomen trotz unterschiedlicher Genomzahlen und des Einflusses seltener Varianten ermöglicht.
Das Paper stellt GOTFlow vor, ein Framework, das mithilfe von graphenbeschränktem optimalen Transport und unbalanciertem Transport in einem gelernten latenten Raum gerichtete Populationsübergänge aus querschnittlichen biomedizinischen Daten inferiert, um nichtlineare Dynamiken und molekulare Treiber in verschiedenen biologischen Anwendungen interpretierbar zu modellieren.
Das Paper stellt SpeciefAI vor, einen auf Transformern basierenden Multi-Spezies-Modellansatz, der mRNA-codierte Antikörper- und Nanobody-Rahmenregionen (FRs) generiert, die auf spezifische CDRs und Wirtsspezies (z. B. Mensch und Hund) zugeschnitten sind, um eine effiziente Expression und minimale Immunogenität zu gewährleisten.
Diese Arbeit führt das Konzept der durch Pangenom-Graphen induzierten Homologierelation ein, um metrikbasierte Vergleichsmethoden und Transformationen zwischen Variation Graphs und Whole Genome Alignments zu entwickeln, die im Paket WGAtools implementiert sind.
Der Artikel stellt scRGCL vor, eine robuste Methode zur Single-Cell-Clustering, die durch kontrastives Lernen mit nachbarschaftsbewusster Neugewichtung und clusterbewusstem Negativ-Sampling die Zelltypidentifizierung in scRNA-seq-Daten präziser und zuverlässiger macht als bestehende Verfahren.
Diese Arbeit stellt neuartige, speichereffiziente Datenstrukturen für Subset-Rank-Abfragen vor, die mit weniger als 3 Bits pro k-Mer neue Pareto-optimale Lösungen für k-Mer-Lookups im Rahmen der spektralen Burrows-Wheeler-Transformation ermöglichen.
Die Arbeit stellt „10-minimizers" als eine vielversprechende Klasse von Minimierern vor, die konstanten Speicherbedarf, niedrige Dichte und schnelle Schlüsselabrufe vereinen, wobei die Autoren erstmals nachweisen, dass zufällige 10-minimizers im nicht-asymptotischen Regime eine geringere Dichte als zufällige Minimierer aufweisen und einen neuen Benchmark für die Abrufzeit einführen.
SpatialFusion ist ein leichtgewichtiges multimodales Fundamentmodell, das histopathologische, genomische und pathway-basierte Daten integriert, um biologisch kohärente räumliche Nischen mit einzigartigen Aktivierungsmustern zu identifizieren und dabei neue morpho-molekulare Einblicke in Krebsentwicklungen zu liefern.
Das Paper stellt InSTaPath vor, ein multimodales Topic-Learning-Framework, das räumliche Transkriptomik und histopathologische Bilder integriert, indem es Bildmerkmale in diskrete „Wörter" umwandelt, um gemeinsam interpretierbare latente Themen zu identifizieren, die Genexpressionsprogramme mit Gewebemorphologie verknüpfen.