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.
Dieser Beitrag stellt BiOS vor, ein Open-Source-Framework, das durch eine modulare Architektur und die strikte Einhaltung der FAIR-Prinzipien die Integration heterogener Biodiversitätsdaten ermöglicht und sowohl eine programmatische API für Forscher als auch eine benutzerfreundliche Weboberfläche für die Datenexploration bietet.
Die Studie stellt SC-BIG vor, ein hierarchisches bayessches Modell, das Bulk-Sequenzierungsdaten nutzt, um durch die gemeinsame Schätzung der Krebszellfraktion und die Berücksichtigung von Kopienzahlveränderungen die Genauigkeit und Zuverlässigkeit der somatischen SNV-Erkennung in einzelnen Zellen im Vergleich zu bestehenden Methoden zu verbessern.
Diese Studie präsentiert eine umfassende Benchmark-Analyse von 26 Methoden zur Erkennung räumlicher Domänen in der räumlichen Transkriptomik, die auf realen und semi-synthetischen Daten basiert und zeigt, dass Datenauflösung und Zellheterogenität sowie die Wahl der Vorverarbeitung und Clusterung einen größeren Einfluss auf die Leistung haben als architektonische Neuerungen allein.
Die Autoren stellen ein auf BioBERT basierendes Transformer-Modell vor, das zusammen mit einer Benutzeroberfläche in der CIPHER-Plattform eingesetzt wird, um computable Phänotypen in biomedizinischen Publikationen automatisch zu identifizieren und durch Nutzerfeedback kontinuierlich zu verbessern.
Diese Studie entschlüsselt die genetische Architektur des Sorghum-Körnerfetts durch die Integration von Lipidomik und genomweiten Assoziationsstudien, wodurch 55 neue Loci identifiziert und 27 elite Zugangslinien für die züchterische Verbesserung der Ölqualität ermittelt wurden.
Die Studie stellt ITEC vor, eine vollständig unüberwachte Methode zur hochpräzisen, automatischen Rekonstruktion der gesamten Zelllinien und Schicksalskarten lebender Embryonen über lange Zeiträume hinweg, die durch Fehlerkorrektur eine Genauigkeit von über 99,7 % erreicht und detaillierte Einblicke in morphogenetische Prozesse sowie zelluläre Dynamiken ermöglicht.
Die Studie stellt scPloidyR vor, ein neues statistisches Modell, das durch die kombinierte Analyse von Sequenzierungs-Tiefe und B-Allel-Häufigkeit die Genauigkeit der Detektion von Kopienzahlvarianten in einzelnen Zellen mittels Targeted-Sequenzierung signifikant verbessert, sofern allelische Informationen verfügbar sind.
Die Studie stellt SpotGraphs vor, ein R-Paket, das eine flexible und direkte Interaktion mit den Koordinaten räumlicher Transkriptomdaten über die igraph-Infrastruktur ermöglicht und damit bestehende Analysemethoden erweitert, um benutzerdefinierte Nachbarschaftsgraphen zu erstellen und zu analysieren.
Die Autoren stellen eine chemisch informierte Repräsentation von Peptiden vor, die auf zweidimensionalen Strukturabbildungen basiert und es maschinellen Lernmodellen ermöglicht, physikochemische Eigenschaften direkt zu erlernen, um so über das kanonische Aminosäurealphabet hinaus zu generalisieren und Post-Translationalen Modifikationen sowie interpretierbare Vorhersagen für MHC-I-Bindungen zu unterstützen.
Das Paper stellt UniST vor, ein einheitliches KI-Framework, das mithilfe von Kernel-Punkt-Convolution, optischem Fluss und Graph-Autoencodern aus spärlichen 2D-Schnittsequenzen dichte und kontinuierliche 3D-Räume der räumlichen Transkriptomik rekonstruiert, um die dreidimensionale Gewebearchitektur und Krankheitsbiologie präziser zu analysieren.