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 VASCIF vor, ein interpretierbares, graphenbasiertes Framework, das mithilfe einer Masked Graph Attention-Architektur und zyklischer Transferlernung präzise und effizient die Schnittstellen zwischen Antikörpern und Antigenen vorhersagt und dabei neue biophysikalische Erkenntnisse liefert.
Das Paper stellt `rnaends`, ein R-Paket vor, das eine umfassende Analyse von RNA-Enden auf Nukleotid-Ebene ermöglicht, indem es Funktionen für die Verarbeitung von Rohdaten, die Kartierung, Quantifizierung und verschiedene downstream-Analysen wie die Identifizierung von Transkriptionsstartstellen oder die Untersuchung von Degradationsdynamiken bereitstellt.
Diese Studie stellt ein robustes generatives Framework namens „Coherent Denoising" vor, das mithilfe von Diffusionsmodellen fehlende multimodale Omics-Daten aus beliebigen verfügbaren Teilmengen synthetisiert, um die Datenlücken in großen TCGA-Kohorten zu schließen und so die Präzisionsonkologie durch verbesserte Vorhersagemodelle und kontrafaktische Analysen voranzutreiben.
Die Studie stellt PRIZM vor, einen dateneffizienten Zwei-Phasen-Workflow, der mit nur wenigen gelabelten Varianten den besten Zero-Shot-Modell für eine spezifische Proteineigenschaft identifiziert, um darauf aufbauend verbesserte Proteinvarianten für das experimentelle Screening zu priorisieren.
Die Studie stellt FM-GPT vor, eine neuartige bayessche Feinkartierungsmethode, die in phänomweiten transkriptomweiten Assoziationsstudien mithilfe von UK-Biobank-Daten kausale Gene mit pleiotropen Effekten auf komplexe Merkmale wie kortikale Dicke und diverse medizinische Erkrankungen präzise identifiziert und dabei die biologischen Mechanismen hinter Krankheitskomorbiditäten aufklärt.
Die Studie stellt LYM-1 vor, das erste groß angelegte, multi-kulturelle Modell zur Vorhersage von Ernteerträgen in den kanadischen Prärien, das auf über 4,7 Millionen Beobachtungen basiert und sowohl Landwirten als auch Züchtern bei der Optimierung der Produktion und der Entwicklung neuer Sorten hilft.
Diese Studie evaluiert die Leistung von sechs somatischen Variant-Callern in einer klinischen Umgebung mittels einer Snakemake-Pipeline auf hochabgedeckten Tumor-only-Amplicon-Sequenzierungsdaten und stellt fest, dass FreeBayes, VarScan, MuTect2 und Pisces die beste Performance aufweisen.
Die Studie stellt IDiom vor, ein auf 37 Millionen intrinsisch ungeordneten Proteinsequenzen trainiertes generatives Sprachmodell, das in der Lage ist, biologisch relevante und kontextabhängige Sequenzen für die rationale Gestaltung intrinsisch disorganisierter Proteinregionen zu entwerfen.
Die Arbeit stellt SimpleFold-Turbo vor, eine adaptive Caching-Methode, die die Inferenzgeschwindigkeit der Flow-Matching-Proteinstrukturvorhersage um das 9- bis 14-fache steigert, indem sie redundanten Berechnungen überspringt, ohne die Vorhersagequalität zu beeinträchtigen und ohne erneutes Training oder externe Abhängigkeiten.
Die Studie zeigt, dass bei hochinhaltsbasierten Assays nicht wiederholbare Batch-Effekte und Ausreißerentfernung die Klassifizierungsmuster von Proben kaum beeinflussen, was darauf hindeutet, dass die Wiederholbarkeit kein zuverlässiger Indikator für die Assay-Qualität ist.