💻 Category

bioinformatics

1180 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.

💻 Bioinformatik

HighFold-Lasso: Topology-Guided Prediction of Lasso Peptide Structures Using AlphaFold3

HighFold-Lasso ist ein neuartiges computergestütztes Framework, das eine maßgeschneiderte kovalente Konnektivität mit einer gerüstgesteuerten adaptiven Initialisierung integriert, um eine 100-prozentige Erfolgsquote bei der Vorhersage der komplexen mechanisch verzahnten Strukturen aller vier Lasso-Peptidklassen zu erreichen und dabei allgemeine Modelle in Bezug auf Genauigkeit und Zuverlässigkeit signifikant zu übertreffen.

Sen, C., Zhang, C., Yang, H., Ge, Y., Hou, H., Zhu, N., Li, C., Mo, J., Wu, Y., Guo, J., GUO, J., Duan, H.2026-10-16
💻 Bioinformatik

Biopsy-aware phylogenetic reconstruction from longitudinal single-cell copy number profiles

Dieses Paper führt das Cancer Tree Biopsy Framework (CTBF) ein, eine Methode zur Rekonstruktion von Krebsphylogenien aus longitudinalen Single-Cell-Kopienzahlprofilen, die die zeitliche Probenahmeordnung explizit berücksichtigt und zwischen beobachteten Profilen sowie deren Ahnenzuständen unterscheidet, wobei es eine überlegene Genauigkeit und genomweite Durchführbarkeit im Vergleich zu bestehenden gepoolten oder rein topologiebasierten Ansätzen demonstriert.

Paszek, J., Mykowiecka, A., Gogolewski, K.2026-10-16
💻 Bioinformatik

Efficient and precise discovery of LTR-retrotransposon families using HiRepEat

Dieses Paper stellt HiRepEat vor, ein schnelles und speichereffizientes Rechenframework, das den TACO-Repeat-Kompressor und das SALSA-Koordinatenabbildungssystem mit einem adaptierten Wavefront-Alignment-Algorithmus kombiniert, um LTR-Retrotransposon-Familien über diverse Vertebraten- und Drosophila-Genome hinweg präzise zu identifizieren, zu clustern und zu analysieren.

Maheshwari, A., Myers, E., Sierra, P., Vertebrate Genomes Project Consortium Phase I,, Lawniczak, M., Durbin, R.2026-10-16
💻 Bioinformatik

Capturing domain-level detail of molecular interactions in the IMEx Consortium binding domain data set

Diese Arbeit stellt den IMEx-Bindungsdomänen-Datensatz vor, eine groß angelegte, manuell kuratierte Sammlung experimentell abgeleiteter Proteininteraktionsregionen, die auf UniProtKB-Sequenzen abgebildet sind und als Goldstandard für das Benchmarking von Interface-Vorhersagemethoden sowie zur Aufklärung der mechanistischen Basis krankheitsassoziierter Mutationen dient.

Pinto, A., Lo Surdo, P., Medina Reyes, J. J., Bergogne, L., Padilla Franzotti, C., Iannuccelli, M., Panni, S., Panneerse (…)2026-10-16
💻 Bioinformatik

PatientPheX: A Full-Text Biomedical Corpus for Patient-Specific Phenotype Information Extraction

Dieses Papier stellt PatientPheX vor, ein neuartiges biomedizinisches Volltextkorpus bestehend aus 200 Fallberichten mit detaillierten Annotationen für patientenspezifische Phänotyp-Entitäten und deren Assoziationen, das darauf ausgelegt ist, die Forschung zu seltenen Krankheiten voranzutreiben und die Entwicklung patientenzentrierter Informationsextraktionsmethoden zu unterstützen.

Zhu, X., Luo, L., Wang, Z., Huang, C., Li, Y., Zhong, Y., Lv, T., Li, J., Liu, C., Tian, F., Sun, Y., Wang, J., Lin, H.2026-10-15
💻 Bioinformatik

Multimodal phenotyping reveals plant-food-related dietary information in serum Raman spectra of community-dwelling Japanese adults

Diese Studie zeigt, dass bei in der Gemeinschaft lebenden japanischen Erwachsenen die gewohnheitsmäßige pflanzliche Ernährungsweise nicht durch einen einzelnen biologischen Zustand erfasst wird, sondern stattdessen als nachverfolgbare Dimensionen dargestellt wird, die über komplementäre phänotypische Schichten verteilt sind, wobei die Raman-Spektren des Serums einzigartige prädiktive Einblicke in spezifische Ernährungsvariablen wie Beta-Carotin liefern, die klinische und metabolomische Daten ergänzen.

Hiraga, K., Miyamoto, T., Nishino, T., Yoon, J., Shibuya, K., Ye, X., Shi, T., Liu, W., Suzuki, H., Isoda, H., Sakurai (…)2026-10-15
💻 Bioinformatik

2,234 attempts to harmonize a multi-platform B-cell lymphoma bulk transcriptomic dataset: ComBat is superior by cross-batch prediction quality

Durch die Evaluierung von 2.234 Harmonisierungsansätzen über 87 orthogonale Metriken auf einem Multi-Plattform-B-Zell-Lymphom-Datensatz zeigt diese Studie, dass die optimale Methode stark von der gewählten Metrikklasse abhängt, wobei ComBat sich spezifisch für die Qualität der Cross-Batch-Prädiktion als überlegen erweist, während andere Methoden die biologische Integrität nicht bewahren können.

Nikitin, D., Arakelyan, A.2026-10-15
💻 Bioinformatik

NoiTox: A Machine Learning Strategy for Peptide Toxicity Prediction Reveals Label Noise in Benchmark Datasets

Das Paper stellt NoiTox vor, eine Multi-Modell-Strategie des maschinellen Lernens, die physikochemische Deskriptoren, Protein-Language-Model-Embeddings und Graph Neural Networks integriert, um die Peptidtoxizität mit State-of-the-Art-Leistung vorherzusagen und gleichzeitig Label-Rauschen in Benchmark-Datensätzen aufzudecken und zu analysieren.

Almeida, G. O., Albuquerque, M. C., Silva, B. M., Silva, O. A. B., Ferreira, R. S., Meira, W., Pires, D. V., Prata, W. M (…)2026-10-15
💻 Bioinformatik

A Benchmark of Unsupervised Circadian Phase Inference Methods for Bulk Transcriptomic Data

Diese Studie benchmarkt systematisch zehn unüberwachte Methoden zur Inferenz der zirkadianen Phase über 25 Datensätze hinweg, wobei sie CHIRAL als den leistungsstärksten Performer mit dem niedrigsten mittleren Fehler identifiziert, während sie gleichzeitig aufzeigt, dass die Genauigkeit der Methoden je nach Datensatzcharakteristika variiert und die besten Methoden rhythmische Genmuster effektiv rekonstruieren können, selbst wenn die Probenentnahmezeiten unbekannt sind.

Purohit, S., Grant, G. R., Brooks, T. G.2026-10-15