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 Arbeit stellt Beschleunigungen für OpenFold und TensorRT vor, die eine bis zu 131-fach schnellere Proteinstrukturvorhersage im Vergleich zu AlphaFold2 auf verschiedenen Hardware-Plattformen – von kompakten Systemen bis zu Rechenzentren – ohne Genauigkeitsverlust ermöglichen.
Diese Studie zeigt, dass die Transkriptomantwort von *Aedes aegypti* auf Pyrethroide nicht nur vom Insektizidtyp (Typ I vs. Typ II), sondern auch von der Konzentration abhängt und dabei unterschiedliche Resistenzmechanismen wie mitochondriale Anpassungen oder kutikuläre Verdickung sowie metabolische Entgiftung aktiviert werden.
Der Artikel stellt stMCP vor, ein Framework, das natürliche Sprache nutzt, um räumliche Transkriptomik-Analysen lokal und datenschutzkonform durchzuführen, wodurch komplexe Workflows für Biologen zugänglicher werden, ohne große Datenmengen an KI-Modelle zu übertragen.
Die Studie stellt MOPP vor, eine modulare Pipeline zur Verarbeitung von Metaribosomen-Profilierungsdaten (metaRibo-Seq), die durch den Einsatz von abgestimmten Metagenom-Daten zur Filterung der Referenzgenome die Genauigkeit taxonomischer und funktioneller Zuordnungen in komplexen mikrobiellen Gemeinschaften erheblich verbessert.
Diese Studie nutzt eine umfassende Long-Read-Transkriptom-Analyse, um ein detailliertes Atlas von über 41.000 Isoformen zu erstellen und zeigt, dass bei der Progression des Eierstockkrebses eine oft auf Gen-Ebene unsichtbare, aber klinisch relevante Umstrukturierung der RNA-Verarbeitung stattfindet.
Die Arbeit stellt DisGeneFormer vor, ein End-to-End-Modell, das durch die Integration von lokaler und globaler Graph-Aufmerksamkeit sowie Transformer-Techniken die Priorisierung krankheitsrelevanter Gene präzisiert und damit bestehende Methoden in Bezug auf die Genauigkeit kurzer, klinisch relevanter Kandidatenlisten deutlich übertrifft.
Das Paper stellt ProteinMCP vor, ein autonomes KI-Framework, das durch die Orchestrierung von 38 spezialisierten Werkzeugen über das Model-Context-Protocol (MCP) und eine automatisierte Konvertierung bestehender Software den Protein-Engineering-Prozess beschleunigt, demokratisiert und die Entwicklung hochaffiner Binder sowie therapeutischer Nanobörper ermöglicht.
Diese Studie identifiziert mit dem neu entwickelten Software-Tool Off-target Probe Tracker (OPT) off-target-Bindungen in 10x Genomics Xenium-Genpanels, die die Genauigkeit der räumlichen Transkriptomik beeinträchtigen, und validiert diese Befunde durch den Abgleich mit orthogonalen Transkriptomik-Daten, um die biologische Interpretierbarkeit und Reproduzierbarkeit der Forschung zu verbessern.
Die Studie stellt eine aktualisierte Version des Nextflow-basierten Pipelines ANNEXA vor, das mithilfe von Long-Read-RNA-Sequenzierung, integrierten Transkriptom-Rekonstruktionswerkzeugen und Deep-Learning-Modellen die Genomannotation und Qualitätskontrolle für kodierende und nicht-kodierende RNAs verbessert und dabei erfolgreich neue Gene in menschlichen und kaninischen Krebszelllinien identifiziert hat.
Die Studie zeigt, dass aktuelle Deep-Learning-Methoden zur RNA-Strukturvorhersage zwar bei bekannten Motiven und regulären Strukturen funktionieren, jedoch aufgrund mangelnder Generalisierungsfähigkeit auf neuartige Faltungen und unzuverlässiger Genauigkeitsschätzungen keine verlässlichen Vorhersagen für neue RNA-Strukturen oder Komplexe ermöglichen.