1235 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.
Diese Studie kalibriert Vorhersagewerkzeuge für in-frame-Indels für die klinische Variantenklassifizierung, indem sie Schwellenwerte nach ACMG/AMP-Richtlinien festlegt, und zeigt, dass diese zwar einen messbaren klinischen Nutzen bieten, jedoch im Vergleich zu Missense-Varianten-Prädiktoren eine geringere Leistung aufweisen.
Diese Studie zeigt, dass die Integration genomischer Merkmale wie der Tumormutationslast in pan-krebsartige Überlebensmodelle für Immuntherapien nur einen geringen prognostischen Mehrwert bietet, da klinische Variablen die Vorhersageleistung dominieren.
Die Arbeit stellt ein neues immuneML-Release vor, das durch die Einführung eines einheitlichen Frameworks für unüberwachtes maschinelles Lernen die Analyse adaptiver Immunrezeptoren durch verbesserte Clustering-Workflows, interpretierbare generative Modelle und die Integration von Protein-Sprachmodellen voranbringt.
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.
Die Studie stellt das neuronale Netzwerk embeRNA vor, das mithilfe von 16S-rRNA-k-mer-Zusammensetzungen direkt funktionelle Potentiale vorhersagt und dabei insbesondere bei phylogenetisch neuen Mikroorganismen eine höhere Genauigkeit als herkömmliche referenzbasierte Methoden erreicht.
Die Studie zeigt, dass eine aktive Lernstrategie auf Basis von Thompson-Sampling die effiziente Erkundung von Peptidbibliotheken mittels AlphaFold2-basierter Screening-Verfahren ermöglicht und dabei 50 % aller Binder mit nur 15 % der für eine exhaustive Abtastung erforderlichen Abfragen identifiziert.
Die Studie stellt SCRU-DB, eine umfassende Datenbank mit über 61.000 selbstständigen RNA-Einheiten, sowie die darauf aufbauenden Modelle SCRU-Seq und SCRU-Diff vor, die durch die Nutzung modularer Strukturprinzipien die direkte und skalierbare RNA-Sequenzdesign mit hoher struktureller Genauigkeit ermöglichen.
Das Paper stellt NetSyn vor, ein bioinformatisches Werkzeug, das durch die Analyse der konservierten genomischen Kontexte (Syntenie) anstelle rein sequenzbasierter Ähnlichkeit neue funktionelle Untergruppen innerhalb von Proteinfamilien identifiziert und funktionelle Wechselwirkungen zwischen nicht-homologen Enzymen aufdeckt.
Diese Arbeit stellt mit ViScore ein robustes Bewertungsframework und mit ViVAE ein interpretierbares Deep-Learning-Modell vor, um die Zuverlässigkeit und die mehrskalige Strukturerhaltung bei der Dimensionsreduktion von scRNA-seq-Daten zu verbessern.