💻 Category

bioinformatics

1018 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.

💻 bioinformatics

The Stochastic System Identification Toolkit (SSIT) to model, fit, predict, and design experiments

Das Paper stellt das Stochastic System Identification Toolkit (SSIT) vor, eine schnelle und flexible Open-Source-MATLAB-Software, die es Forschern ermöglicht, stochastische biologische Systeme zu modellieren, Parameter unter Berücksichtigung von Rauschen und Messfehlern zu schätzen, Sensitivitätsanalysen durchzuführen und Experimente quantitativ zu optimieren, um Zeit und Ressourcen zu sparen.

Popinga, A. N., Forman, J., Svetlov, D., Vo, H. D., Munsky, B. E.2026-03-08
💻 bioinformatics

Telomere-to-telomere assembly and haplotype analysis of tetraploid Dendrobium officinale illuminate Orchidaceae polyploid evolution and mycorrhizal symbiosis genes

Diese Studie liefert die erste telomer-zu-telomer-Genomzusammenstellung und haplotypaufgelöste Analyse des tetraploiden *Dendrobium officinale*, wodurch Einblicke in die Orchideen-Evolution, die Entstehung der Autotetraploidie vor etwa 0,86 Millionen Jahren sowie die Rolle von SWEET-Genen bei der mykorrhizalen Symbiose gewonnen werden.

Chen, E., Xu, J., Liu, Y., Li, Y., Feng, Y., Lu, Q., Ding, X., Niu, Z., Qin, S., Niu, S., Luo, Y., Guo, X., Luo, X.2026-03-07
💻 bioinformatics

Identifying genes associated with phenotypes using machine and deep learning

Die Studie stellt eine Machine- und Deep-Learning-Pipeline vor, die Genotypdaten nutzt, um Personen in Fall-/Kontrollgruppen zu klassifizieren und durch Analyse der Feature-Importanz assoziierte Gene zu identifizieren, wobei ein hoher Trefferquotient von 0,84 im Vergleich zu GWAS-Katalogdaten die Methode als vielversprechendes Werkzeug für die Priorisierung krankheitsrelevanter Gene und therapeutischer Zielstrukturen bestätigt.

Muneeb, M., Ascher, D.2026-03-07
💻 bioinformatics

Benchmarking circRNA Detection Tools from Long-Read Sequencing Using Data-Driven and Flexible Simulation Framework

Diese Studie stellt einen umfassenden Benchmark von drei Tools zur Erkennung von circRNAs aus Oxford Nanopore-Langlese-Daten vor und entwickelt dabei ein flexibles, datengesteuertes Simulationsframework, um die Leistungsfähigkeit und Grenzen der aktuellen Bioinformatik-Methoden zu bewerten.

Rusakovich, A., CORRE, S., Cadieu, E., Fraboulet, R.-M., Le Bars, V., Galibert, M.-D., Derrien, T., Blum, Y.2026-03-06
💻 bioinformatics

Joint Learning of Drug-Drug Combination and Drug-DrugInteraction via Coupled Tensor-Tensor Factorization with SideInformation

Diese Arbeit stellt ein neuartiges Framework namens SI-ADMM vor, das auf einer gekoppelten Tensor-Tensor-Faktorisierung mit zusätzlichen Ähnlichkeitsdaten basiert, um gleichzeitig wirksame Arzneimittelkombinationen und Arzneimittelwechselwirkungen auch für neuartige Wirkstoffe präzise vorherzusagen.

Zhang, X., Fang, Z., Tang, K., Chen, H., Li, J.2026-03-06
💻 bioinformatics

t2pmhc: A Structure-Informed Graph Neural Network to predict TCR-pMHC Binding

Die Studie stellt t2pmhc vor, ein strukturbasiertes Graph-Neural-Network-Framework, das durch die Nutzung von TCR-pMHC-Komplexstrukturen die Generalisierungsfähigkeit bei der Vorhersage von TCR-Bindungen an unbekannte Antigene im Vergleich zu rein sequenzbasierten Methoden signifikant verbessert.

Polster, M., Stadelmaier, J., Ball, E., Scheid, J., Bauer, J., Nelde, A., Claassen, M., Dubbelaar, M. L., Walz, J. S., N (…)2026-03-06