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.
Das in Python entwickelte Open-Source-Tool GWASPoker ermöglicht eine effiziente, phänotypgesteuerte Vorauswahl und partielle Analyse von GWAS-Zusammenfassungsstatistiken aus dem GWAS-Katalog, um die Berechnung polygener Risikoscores zu erleichtern, ohne dass vollständige Dateien heruntergeladen werden müssen.
CLAMP ist ein skalierbares, zweiphasiges Analyseverfahren, das durch die Integration molekularer Priors und effiziente Speicherverarbeitung die Interpretierbarkeit und Geschwindigkeit der latenten Variablenextraktion in großen Genexpressionsdatensätzen im Vergleich zu bestehenden Methoden wie PLIER erheblich verbessert.
GraTools ist ein benutzerfreundliches, Open-Source-Command-Line-Tool, das eine effiziente Manipulation und Analyse von Pangenom-Variationsgraphen direkt aus GFA-Dateien ermöglicht und damit bestehende Lücken in der Integration und Skalierbarkeit solcher Werkzeuge schließt.
Diese Studie nutzt einen Ensemble-Machine-Learning-Ansatz auf Transkriptomdaten von Weltraum-Mäusen, um zu zeigen, dass oxidative Lipidperoxidation und apoptotischer Zelltod im Retinalgewebe durch unterschiedliche molekulare Signalwege vermittelt werden, was neue Ansatzpunkte für Biomarker und Therapien zur Erhaltung der Sehgesundheit bei Langzeit-Weltraummissionen bietet.
Die Studie zeigt, dass ein parametereffizientes, auf der TKF92-Theorie basierendes Modell mit nur 32.000 Parametern in der Modellierung der Protein-Evolution konkurrenzfähig mit neuronalen Netzen mit vielen Millionen Parametern ist und damit die Überlegenheit evolutionstheoretisch fundierter Ansätze gegenüber unbeschränkten Alternativen unterstreicht.
Das Papier stellt SCOTCH vor, eine plattformunabhängige End-to-End-Pipeline für die lang-Read-einzelligen RNA-Sequenzierung, die durch die Modellierung von Isoformen als Kombinationen nicht überlappender Sub-Exons und dynamische Schwellenwertbildung eine robuste Identifizierung und Quantifizierung bekannter sowie die Rekonstruktion neuer Isoformen ermöglicht.
Die Studie stellt einen umfassenden Workflow vor, der lange RNA-Sequenzierungsdaten nutzt, um haplotypaufgelöste, probenspezifische Proteomdatenbanken zu erstellen und so die Identifizierung von Proteinisoformen und Allel-spezifischen Varianten in der Proteogenomik über Referenzdatenbanken hinaus zu ermöglichen.
Die Arbeit stellt nVenn2 vor, einen verbesserten Algorithmus zur Erstellung vereinfachter, quasi-proportionaler Venn-Diagramme, der durch die Minimierung der Komplexität die Darstellung großer Mengen an Sätzen mit vielen leeren Regionen effizient und übersichtlich ermöglicht.
Die Studie bewertet im Rahmen der CAMDA 2025-Herausforderung verschiedene generative Modelle für die Synthese von Bulk-RNA-seq-Daten und zeigt, dass die Wahl des Modells entscheidende Zielkonflikte zwischen Datenqualität, biologischer Plausibilität und Privatsphäre aufwirft, wobei tiefenlernbasierte Ansätze zwar hohe Nutzbarkeit bieten, aber anfälliger für Privatsphärenangriffe sind als differenziell private oder einfachere statistische Methoden.
Die Studie stellt das Rechenframework Kg4j vor, das auf der großen Wissensgraph-Datenbank FORVM aufbaut, um kontextspezifische, kleine Teilgraphen zu generieren, die durch die Integration experimenteller Daten und die Validierung gegen wissenschaftliche Literatur neue Hypothesen über den Zusammenhang zwischen endokrinen Störungen durch persistente organische Schadstoffe und Endometriosis aufdecken.