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.
Die Arbeit stellt RigidSSL vor, ein rigidiätsbewusstes selbstüberwachtes Lernframework, das durch eine zweiphasige geometrische Vorabbildung auf statischen und dynamischen Proteinstrukturen die Designfähigkeit, Vielfalt und Konformationsrealität bei der Proteindesign-Generierung erheblich verbessert.
ProtNHF ist ein generatives Modell, das mithilfe von neuronalen Hamilton-Flüssen und analytischen Verzerrungsfunktionen eine kontrollierbare Proteinsequenzgenerierung ermöglicht, bei der Eigenschaften wie Aminosäurezusammensetzung und Nettoladung zur Laufzeit durch Energieanpassungen präzise gesteuert werden können, ohne das Modell neu trainieren zu müssen.
Die Studie stellt CellSweep vor, ein effizientes Werkzeug zur Entfernung von Umgebungs- und Bulk-Kontaminationen in Single-Cell-Genomik-Daten, das in Benchmarks andere Methoden zur Artefaktbereinigung übertrifft.
Diese Studie erweitert einen informationstheoretischen Ansatz zur Fenstergrößenbestimmung in phylogenomischen Analysen, indem sie eine Splitting-and-Merging-Strategie einführt, die variable Fenstergrößen entlang von Chromosomen ermöglicht und sich als überlegen gegenüber festen Fenstergrößen bei der Rekonstruktion von Genträumen erweist, insbesondere bei unterschiedlichen Rekombinationsraten.
Die Studie stellt SLiMMine vor, eine Deep-Learning-Methode, die durch die Nutzung von Protein-Embeddings und neuronalen Netzen zuverlässig neue kurze lineare Motive (SLiMs) im menschlichen Proteom vorhersagt, falsch-positive Treffer um etwa 80 % reduziert und die Entdeckung bisher unbekannter Motive sowie präziserer Protein-Protein-Interaktionen ermöglicht.
Die Arbeit stellt „Latent Space Dynamics" (LSD) vor, ein thermodynamisch inspiriertes Framework, das mithilfe neuronaler gewöhnlicher Differentialgleichungen die Zelldifferenzierung als Evolution auf einer gelernten Waddington-Landschaft modelliert, um dabei kontinuierliche Differenzierungstrajektorien zu rekonstruieren, Abstammungshierarchien präziser vorherzusagen und die zelluläre Plastizität quantitativ zu erfassen.
Die Autoren präsentieren eine GPU-basierte Neuimplementierung von kallisto für die RNA-seq-Transkriptquantifizierung, die durch eine algorithmische Neugestaltung für massive Parallelisierung eine 30- bis 50-fache Beschleunigung gegenüber der CPU-Version erreicht und damit typische Analysen von Minuten auf Sekunden reduziert.
Die Studie zeigt, dass fortschrittliche Rescoring-Strategien die Identifizierung von Peptiden über verschiedene Suchmaschinen hinweg harmonisieren und die Robustheit von Proteomanalysen erhöhen, wobei jedoch eine sorgfältige Merkmalsauswahl und Datenbankwahl für eine zuverlässige FDR-Kontrolle entscheidend bleiben.
Diese Studie identifiziert durch eine integrierte Transkriptom-Analyse und Netzwerkmethoden gemeinsame molekulare Signaturen, einschließlich des Hub-Proteins TTR sowie spezifischer Transkriptionsfaktoren und miRNAs, die die pathophysiologische Verbindung zwischen Alkoholabhängigkeit und psychiatrischen Störungen aufklären und potenzielle Biomarker sowie therapeutische Zielstrukturen für Diagnose und Behandlung liefern.
Diese Studie präsentiert ein Beweis-Konzept-Framework, das Single-Cell-Foundation-Modelle und große Perturb-seq-Datensätze nutzt, um genetische Targets für die phänotypische Umkehrung von Entzündungen zu priorisieren und zeigt, dass die Einbeziehung krankheitsrelevanter Stimuli die Identifizierung wirksamer Gene im Vergleich zu rein basalen Bedingungen verbessert.