1014 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.
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.
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 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.
Die Autoren stellen PROPTIMUS RAPHAN vor, eine Methode zur per-residuenbasierten Optimierung von Proteinstrukturen, die durch die Zerlegung in überlappende Teilstrukturen eine lineare Skalierung der Rechenzeit ermöglicht und dabei Ergebnisse liefert, die mit der herkömmlichen Optimierung bei eingeschränkten Alpha-Kohlenstoffatomen vergleichbar sind, jedoch deutlich schneller erreicht werden.
Das Paper stellt scprocess vor, eine auf Snakemake basierende Pipeline, die die Verarbeitung, Integration und Visualisierung von atlasgroßen Einzelzell-Datensätzen (insbesondere von 10x Genomics) automatisiert, um Reproduzierbarkeit und Skalierbarkeit zu gewährleisten.
Diese Studie stellt eine standardisierte, expressionsbasierte Annotationsstrategie vor, die die systematische Identifizierung und quantitative Erfassung von kleinen Vault-RNAs (svtRNAs) als häufige und potenziell regulatorisch aktive Bestandteile des menschlichen small-RNA-Transkriptoms ermöglicht.
Das Paper stellt den Descriptron-GBIF Annotator vor, eine browserbasierte Plattform, die durch KI-gestützte Segmentierung und Ontologie-Integration die crowdsourcende morphologische Annotation von Biodiversitätsbildern ermöglicht, um die Lücke zwischen der Fülle an verfügbaren Spezimenbildern und dem Mangel an strukturierten morphologischen Daten zu schließen.
Die Studie stellt Cycle-Extractor (CE) vor, ein schnelles und genaues Werkzeug zur Rekonstruktion von ekDNA-Strukturen aus Kurz- und Langread-Sequenzierungsdaten, das durch die Nutzung von Langreads signifikant vollständigere und validierte Ergebnisse liefert als bestehende Methoden.
Das Paper stellt SuperSurv vor, ein benutzerfreundliches R-Paket, das eine einheitliche Schnittstelle für das Erstellen, Bewerten und Interpretieren von Ensemble-Modellen in der Überlebensanalyse bietet, indem es heterogene Lernalgorithmen auf eine gemeinsame Zeitachse abbildet und fortschrittliche Techniken wie Stacking, Hyperparameter-Optimierung sowie SHAP-basierte Interpretierbarkeit integriert.
Die Studie stellt DNA-MGC+ vor, einen vielseitigen Codec für die DNA-Datenspeicherung, der durch überlegene Fehlerkorrektur und Ressourceneffizienz zuverlässige Datenwiederherstellung selbst bei hohen Fehlerraten und geringen Sequenzierungstiefen ermöglicht.