768 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 DEFT vor, eine hybride Methode, die Sequenz- und Strukturdaten kombiniert, um die Klassifizierung von Enzymen nach dem EC-System präziser und effizienter zu gestalten, was insbesondere bei der Vorhersage von mucinabbauenden Enzymen in Darmbakterien erfolgreich validiert wurde.
Die Arbeit stellt ein entitätsbasiertes Evaluierungsframework und die modellunabhängige Trainingsstrategie UnbiasNet vor, um in der Vorhersage biologischer Assoziationen mit mehreren Eingaben übermäßige Abhängigkeiten von Grad-Verhältnis-Verzerrungen zu eliminieren und so realistischere Bewertungen sowie robustere Modelle zu ermöglichen.
Die Studie zeigt, dass ein neuartiger prefix-basierter Downsampling-Algorithmus, der ganze Bakteriengenome auf kompakte k-mer-Repräsentationen reduziert, in Kombination mit Ensemble-Modellen eine hohe Vorhersagegenauigkeit für Phänotypen erzielt und somit eine effiziente Alternative zu komplexen Deep-Learning-Ansätzen bei begrenzten Daten darstellt.
Das Paper stellt PIGLET vor, eine neuartige Graph-Transformer-Methode zur Vorhersage von Arzneimittel-Ziel-Interaktionen, die auf einem proteomweiten Wissensgraphen basiert und in rigorosen Tests mit auf Wirkstoffen basierenden Aufteilungen bestehende Modelle übertrifft.
Diese Studie stellt die Information-Content-Informed Kendall-tau (ICI-Kt)-Methode vor, die fehlende Werte in Metabolomik-Daten als linkszensierte Informationen interpretiert, um die Korrelationsanalyse, die Identifizierung von Ausreißern und die Netzwerkkonstruktion zu verbessern.
Die Studie stellt ProteomeLM vor, ein auf gesamten Proteomen trainiertes Sprachmodell, das Protein-Protein-Interaktionen und Genessentialität über verschiedene Taxa hinweg präziser und schneller vorhersagt als bisherige Methoden.
Die Studie stellt ConNIS vor, eine neue statistische Methode zur zuverlässigeren Identifizierung essentieller Gene in TraDIS-Daten, die insbesondere bei geringer Insertionsdichte überlegene Ergebnisse liefert und durch ein neu entwickeltes Instabilitätskriterium eine datengestützte Parametereinstellung ermöglicht.
Diese Studie stellt ein robustes Framework vor, das k-mer-basierte Modelle nutzt, um die Auswirkungen somatischer Mutationen auf die Transkriptionsfaktor-Bindung in 560 Brustkrebsgenomen zu analysieren und zeigt, wie spezifische mutatorische Signaturen die Genregulation subtypspezifisch umprogrammieren.
Diese Studie zeigt, dass die Evaluierung von Modellen zur Vorhersage zellulärer Perturbationsreaktionen aufgrund der Unzuverlässigkeit gängiger Metriken und der oft übertriebenen Erwartungen an komplexe Deep-Learning-Ansätze weit weniger trivial ist als bisher angenommen, und liefert daher einen Rahmen für robustere Benchmarking-Verfahren.
Die Studie zeigt, dass nach Berücksichtigung von Allelfrequenz-Unterschieden die Leistung etablierter Vorhersagemodelle für Missense-Varianten über verschiedene genetische Abstammungsgruppen hinweg vergleichbar ist, was ihren breiten Einsatz in der klinischen Diagnostik unterstützt.