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.
Das Paper stellt LagCI vor, ein computergestütztes Framework, das durch die Analyse von Verzögerungskorrelationen und ein robustes statistisches Filtern kausale zeitliche Beziehungen aus dichten multi-omischen Zeitreihendaten ableitet und so neue Einblicke in die Dynamik biologischer Regulationen ermöglicht.
Die Studie zeigt, dass die räumliche Struktur von Lebensräumen und die daraus resultierende Aggregation von Abundanzen über verschiedene Patches hinweg die beobachtete Gamma-Verteilung mikrobieller Häufigkeiten erklären, während rein lokale dynamische Modelle dies nicht leisten.
Das Papier stellt PeptideCLM-2 vor, eine Suite chemischer Sprachmodelle, die auf über 100 Millionen Molekülen trainiert wurden, um therapeutische Peptide effektiv zu repräsentieren und damit die Vorhersageentwicklungsendpunkte wie Membrandiffusion und Halbwertszeit im Vergleich zu bestehenden Ansätzen zu verbessern.
Die Studie stellt einen agentengesteuerten computergestützten Workflow vor, der erfolgreich neuartige Nanobodies gegen ein unbekanntes Krebsziel ohne experimentelle Strukturdaten entwirft und dabei eine hohe Trefferquote von 39,7 % bei der Identifizierung von Bindern mit nanomolaren Affinitäten erreicht.
Diese Studie entwickelt einen Unsicherheits-bewussten Benchmarking-Rahmen, der durch die Analyse von Feature-Importanzen und Inter-Tool-Übereinstimmung zeigt, dass etwa 45 % der Transkripte, insbesondere lncRNAs, aufgrund gemischter Sequenzsignale und Wiederholungsmuster schwer zwischen kodierenden und nicht-kodierenden RNAs zu unterscheiden sind.
Das Paper stellt PathwaySeeker vor, ein evidenzbasiertes KI-System, das durch die Integration von Proteomik- und Metabolomikdaten organismenspezifische Stoffwechselnetzwerke rekonstruiert und mittels eines „Oracle-in-the-Loop"-Verfahrens logische Schlussfolgerungen direkt mit experimentellen Belegen verknüpft, um zwischen gesichertem Wissen und überprüfbaren Hypothesen zu unterscheiden.
Die Studie stellt UDAL vor, eine aktive Lernstrategie, die Unsicherheit und Diversität kombiniert, um die Kosten der experimentellen Validierung von TCR-pMHC-Bindungen durch eine effiziente Auswahl von Kandidatenpaaren für Assays erheblich zu senken.
Das Paper stellt FairTCR vor, ein auf gruppenverteilungsoptimierter Robustheit basierendes Framework, das die systematischen Ungleichheiten bei der Vorhersage von TCR-pMHC-Bindungen für seltene HLA-Allele und unterrepräsentierte Kohorten erheblich reduziert, ohne dabei die durchschnittliche Vorhersagegenauigkeit zu beeinträchtigen.
Diese Studie zeigt, dass maschinelles Lernen zur Imputation fehlender Mücken-Daten die Vorhersagegenauigkeit von *Plasmodium vivax*-Malariafällen in Bolivar, Venezuela, signifikant verbessert, während die Vorhersage von *Plasmodium falciparum* jedoch scheiterte.
Die Studie stellt ORION vor, ein Multi-Agenten-Framework, das auf sprachbasierten KI-Modellen basiert und die Analyse komplexer Immunprofildaten von wochenlanger manueller Arbeit auf wenige Stunden reduziert, indem es statistische Auswertungen, maschinelles Lernen und automatische Literaturrecherche integriert, um sowohl bekannte als auch neue Autoantikörper-Signaturen zu identifizieren und biologisch kohärente Hypothesen zu generieren.