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.
Die Studie stellt AI-IDP vor, ein Deep-Learning-Framework, das Sequenzinformationen in experimentell konsistente Konformationsensembles intrinsisch ungeordneter Proteine umwandelt und so deren strukturelle Heterogenität sowie evolutionäre Anpassungen aufdeckt.
Das Grass Expression Atlas (GExA) ist eine interaktive, webbasierte Ressource, die standardisierte RNA-seq-Daten für vier Hirsesorten sowie Gerste und Sorghum integriert, um die Genexpression über verschiedene Gewebe, Entwicklungsstadien und Bedingungen hinweg zu analysieren.
Die Studie stellt Stoic vor, eine schnelle und genaue Methode zur Vorhersage der Protein-Stöchiometrie in Komplexen, die Interface-spezifische Embeddings von Protein-Sprachmodellen in Kombination mit einem Graph-Neural-Network nutzt, um aufwendige Brute-Force-Ansätze zu ersetzen.
Das Paper stellt PepCABO vor, einen latenten Raum-basierten Bayesianischen Optimierungsansatz mit kontrastivem Alignment und einem dualen Variational-Autoencoder-Framework, der die Suche nach optimalen Peptid-MHC-Bindungen durch strukturierten Wissenstransfer über verschiedene Allele hinweg effizienter gestaltet.
Diese Arbeit stellt eine Erweiterung des ColBuilder-Frameworks vor, die es ermöglicht, atomistische Kollagenfibrillenmodelle zu generieren, die neben enzymatischen auch nicht-enzymatische AGE-Quervernetzungen enthalten, um deren Einfluss auf die Struktur und mechanischen Eigenschaften im Rahmen von Molekulardynamik-Simulationen zu untersuchen.
Diese Arbeit bietet einen umfassenden Überblick über das ubiquitin-proteasomale System (UPS) und schätzt, dass es zusammen mit dem restlichen Proteostase-Netzwerk über 3100 menschliche Proteine umfasst, was für das Verständnis zellulärer Biologie und Krankheitsmechanismen von grundlegender Bedeutung ist.
LysinFusion ist ein reproduzierbares Deep-Learning-Framework, das eine hybride CNN-Transformer-Architektur mit multiplen Sequenzmerkmalen kombiniert, um Phagen-Lysine präziser und mit weniger falsch-positiven Ergebnissen als bestehende Methoden zu identifizieren.
Diese Studie stellt ein maschinelles Lernmodell vor, das die Wirksamkeit von siRNAs ausschließlich aus intrinsischen Sequenzmerkmalen vorhersagt und dabei nicht nur eine hohe Genauigkeit erreicht, sondern auch biologische Interpretierbarkeit bietet, um das rationale Design für therapeutische und landwirtschaftliche Anwendungen zu unterstützen.
Die Studie stellt PBML vor, einen neuen Algorithmus, der auf dem PBWT aufbaut und durch die effiziente Filterung von Set-Maximal-Exact-Matches nach Mindestanzahl und Mindestlänge lange, biologisch relevante Abstammungsabschnitte in großen Haplotyp-Panels schneller und speichereffizienter identifiziert als bestehende Methoden.
Die Studie stellt ein bayessches AMMI-basiertes Simulationsframework vor, das hochdimensionale Umweltkovarianzmatrizen nutzt, um interpretierbare Genotyp-Umwelt-Interaktionen zu generieren und so die genomische Selektion unter komplexen Umweltbedingungen zu verbessern.