1197 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 TRACE vor, einen leichten multimodalen Rahmen, der durch kontrastive Ausrichtung unvollkommener Strukturdaten stabilisiert und so die Vorhersage der TCR-Peptid-Bindung verbessert, indem sie zeigt, dass naive Fusion biologischer Modalitäten oft schädlich ist und eine gezielte Regularisierung für robuste Ergebnisse unerlässlich ist.
Die Studie stellt MAPPER vor, ein skalierbares multimodales Framework, das Proteomdaten und andere Zellantworten nutzt, um in Escherichia coli den Wirkmechanismus von Antibiotika präzise vorherzusagen und Verbindungen mit neuartigen Mechanismen zu identifizieren.
Die Studie stellt EMITS vor, ein auf dem Expectation-Maximization-Algorithmus basierendes Rust-Tool, das die Genauigkeit der Artenhäufigkeitsschätzung in Pilz-ITS-Communities aus Langlese-Sequenzierungsdaten durch die iterative Auflösung von mehrdeutigen Zuordnungen und die Konsolidierung redundanter Datenbank-Einträge signifikant verbessert.
Diese Studie zeigt, dass bei der Klassifizierung von SARS-CoV-2-Varianten unter extremen Klassenungleichgewichten klassische Machine-Learning-Modelle mit TF-IDF-basierten k-Mer-Features und ein hybrider RF-SVM-Ansatz Deep-Learning-Methoden übertreffen und eine robuste, interpretierbare Lösung für die Erkennung seltener Varianten bieten.
Diese Studie zeigt, dass SNP-Heritabilitätsschätzungen stark von der gewählten Methodik abhängen, ihre Variation jedoch nur einen vernachlässigbaren Einfluss auf die nachgelagerte Leistung von polygenen Risikoscores hat.
Die Autoren stellen ein neues mathematisches Modell vor, das mithilfe von Intensitäts-Dosis-Bioassays die Heterogenität der Insektizidresistenz in Moskitopopulationen erfasst und so eine genauere Vorhersage der Wirksamkeit von Insektizid-behandelten Netzen in Afrika ermöglicht.
Diese Arbeit stellt eine hocheffiziente Methode zur Genprädiktion vor, die auf einem Convolutional Neural Network (CNN) basiert und DNA-Sequenzen des menschlichen Genoms (GRCh38) unter Verwendung von TFxIDF-Features analysiert, um mit state-of-the-art-Ergebnissen Gene und Pseudogene zu identifizieren.
Diese Studie bewertet sieben computergestützte Methoden zur Bereinigung von Einzelzell-RNA-Sequenzierungsdaten von umgebender RNA und stellt fest, dass zwar keine einzelne Methode in allen Szenarien überlegen ist, CellBender, DecontX und SoupX jedoch generell gut abschneiden.
Die Autoren stellen einen DGIdb-Model-Context-Protocol-Server vor, der es großen Sprachmodellen ermöglicht, über natürliche Sprache direkt auf aktuelle Informationen der Drug-Gene Interaction Database zuzugreifen und so präzise biomedizinische Fragen zu beantworten.
Die Studie stellt einen adaptiven Autoencoder mit Dirichlet-Prozess-Prior vor, der durch die Optimierung der geometrischen Clusterstruktur in Einzelzell-Daten zwar die visuelle und manifolde Darstellung verbessert, jedoch einen Kompromiss bei der Genauigkeit der Zelltyp-Labels erfordert, wodurch sich ein abgestuftes Anwendungsspektrum für verschiedene Analyseziele ergibt.