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.
Diese Studie stellt eine integrierte rechnerische und experimentelle Strategie vor, die durch einen konsensbasierten virtuellen Screening-Ansatz drei chemisch unterschiedliche GLP-1R-Agonisten identifiziert und dabei insbesondere das Pentapeptid DPDPE als vielversprechenden Leitstrukturen für die Entwicklung neuer Therapeutika gegen Diabetes und Adipositas hervorhebt.
Die Studie zeigt, dass die Verwendung des menschlichen Pangenom-Referenzgraphen die Erkennung somatischer Mutationen im Vergleich zu linearen Referenzgenomen verbessert, insbesondere bei Personen ostasiatischer Abstammung, wodurch ancestry-bedingte Verzerrungen verringert und die Notwendigkeit rechenintensiver Ensemble-Ansätze gemindert werden.
Das Paper stellt emb2dis vor, ein neuartiges Deep-Learning-Tool, das Protein-Language-Modelle mit ResNets und dilatierten Faltungen kombiniert, um intrinsische Unordnung in Proteinen präzise vorherzusagen und dabei auf dem CAID3-Benchmark die Spitzenposition erreicht hat.
Die Studie stellt VicMAG vor, ein Open-Source-Tool zur umfassenden Visualisierung zirkulärer metagenomischer Assemblierungen (cMAGs) aus Langread-Daten, das die Verteilung und den genomischen Kontext von Virulenz- und Antibiotikaresistenzgenen in komplexen mikrobiellen Gemeinschaften für die One-Health-Überwachung darstellt.
Das Paper stellt Baktfold vor, ein ultrasensitives und taxon-unabhängiges Python-Tool zur strukturbasierten funktionellen Annotation von Proteinsequenzen im gesamten mikrobiellen Baum des Lebens, das im Vergleich zu bestehenden Methoden wie Bakta und Prokka eine deutlich höhere Abdeckungsrate, insbesondere bei hypothetischen Proteinen, erreicht.
Die Studie stellt PSALM vor, eine Methode zur Protein-Domänen-Annotation, die einen vortrainierten Protein-Sprachmodell (ESM-2) mit einem strukturierten probabilistischen Decoder kombiniert, um eine Domänenerkennung mit einer Sensitivität-Spezifität-Balance zu ermöglichen, die mit der von HMMER vergleichbar ist.
Die Studie stellt EnzyGen2 vor, ein 730-Millionen-Parameter-Modell, das durch gleichzeitiges Co-Design von Sequenz und Struktur unter Ligandenführung neuartige, hochaktive Enzyme mit experimentell bestätigter katalytischer Leistung erzeugt und dabei bestehende Methoden in Geschwindigkeit und Genauigkeit übertrifft.
Das Paper stellt Flipper vor, ein auf DESeq2 basierendes Framework zur präzisen Identifizierung differenzieller RNA-Bindungsverhalten in eCLIP-Daten, das durch integrierte Input-Kontrollen und hierarchische Normalisierung expressionbedingte Effekte von echten Bindungsänderungen trennt und damit bestehende Analysemethoden in Genauigkeit und biologischer Aussagekraft übertrifft.
Das Paper stellt das R-Paket WayFindR vor, das die Analyse von Regulationsmechanismen in biologischen Pfaden ermöglicht und dabei aufzeigt, dass negative Rückkopplungsschleifen in aktuellen Datenbanken wie WikiPathways und KEGG aufgrund biologischer Komplexität und technischer Annotationsschwächen häufig unzureichend erfasst sind.
Das Paper stellt MoCoO vor, ein modulares Framework, das Variational Autoencoder, Neuronale ODEs und Momentum Contrast mit einem Flow-Matching-Verfeinerungsschritt kombiniert, um durch die gleichzeitige Glättung latenter Entwicklungspfade und Schärfung der Clustergeometrie den Zustand der Technik bei der Repräsentationslernen und Trajektorieninferenz in Einzelzell-Daten zu verbessern.