1246 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 Studie zeigt, dass Gene, die durch alte Whole-Genome-Duplikationen entstanden sind, bei 14 von 22 untersuchten Kulturpflanzenarten signifikant in Listen von Domestizierungskandidaten überrepräsentiert sind, was darauf hindeutet, dass das alte polyploide Erbgut auch Millionen von Jahren später weiterhin als Substrat für die evolutionäre Anpassung und Domestizierung von Nutzpflanzen dient.
Diese Studie stellt eine hochpräzise, computergestützte Pipeline vor, die durch die Identifizierung und serologische Validierung spezifischer B-Zell-Epitope von *Trypanosoma cruzi* (insbesondere Epitop 5) eine zuverlässige Diagnose der Chagas-Krankheit ermöglicht, die Kreuzreaktivitäten mit *Leishmania*-Spezies in endemischen Gebieten effektiv vermeidet.
Das Paper stellt MSstatsResponse vor, ein semi-parametrisches R/Bioconductor-Paket, das durch den Einsatz der isotonen Regression die Genauigkeit und Robustheit bei der Identifizierung von Protein-Wirkstoff-Interaktionen in chemoproteomischen Dosis-Wirkungs-Experimenten im Vergleich zu bestehenden Methoden verbessert, insbesondere bei begrenzten Replikaten oder Dosierungen.
Das Paper stellt CDS-BART vor, ein quelloffenes, auf BART basierendes Fundamentmodell, das mRNA-Sequenzen bis zu einer Länge von 4 kb analysiert und damit eine bisher fehlende, benutzerfreundliche KI-Lösung für die Erforschung therapeutischer mRNA bereitstellt.
Das Paper stellt TEgenomeSimulator vor, ein flexibles Framework zur Erzeugung synthetischer Genome mit konfigurierbaren Transposon-Landschaften, das durch die Bereitstellung realistischer Ground-Truth-Datensätze die Benchmarking-Fähigkeiten und die algorithmische Entwicklung im Bereich der Transposon-Forschung erheblich verbessert.
Die Studie stellt DiffEvol vor, ein neues Framework, das die Evolution als durch biologische und physikalische Viabilität eingeschränkten Diffusionsprozess modelliert, um anhand von Sequenzdaten wie denen von SARS-CoV-2 Fitnesslandschaften zu rekonstruieren, evolutionäre Trends wie Impfstoff-induzierte Phasenübergänge zu identifizieren und die Vorhersage sowie Rückverfolgung viraler Evolution zu verbessern.
Die Studie stellt SwiftTCR vor, ein hochleistungsfähiges computergestütztes Docking-Protokoll, das durch die Nutzung eingeschränkter Rotationsmatrizen und des Superpositionstools GradPose die Strukturvorhersage von TCRpMHC-I-Komplexen um das 25- bis 40-fache beschleunigt und dabei die Genauigkeit bestehender Methoden übertrifft, um Anwendungen in der Immuntherapie und der Struktur-basierten KI-Forschung zu ermöglichen.
Die Studie zeigt, dass die Auswahl von Referenzgenomen die Genauigkeit und Effizienz der taxonomischen Profilierung beeinflusst, wobei die optimale Strategie je nach biologischem Kontext und erforderlicher Auflösung variiert und keine universelle Lösung existiert.
Der Artikel stellt FASTiso vor, einen exakten Algorithmus für das Subgraph-Isomorphieproblem, der durch eine konsistente Abstimmung von Variablenreihenfolge und Pruning-Regeln eine hohe Effizienz und Skalierbarkeit bei geringem Speicherbedarf über Graphen verschiedener Größen und Dichten hinweg erreicht.
Die Studie stellt einen phylogeniebasierten Transfer-Learning-Ansatz vor, der Protein-Sprachmodelle (ESM) nutzt, um durch evolutionär informierte Feinabstimmung die Vorhersagegenauigkeit von linearen B-Zell-Epitopen insbesondere für datenarme Erreger im Vergleich zu bestehenden Methoden signifikant zu verbessern.