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.
Das auf Deep Learning basierende Framework Neurotox zeigt, dass Neurotoxizität nicht nur von einzelnen Kontaktresten, sondern von verteilten Sequenzmerkmalen abhängt, die die Sekundärstrukturorganisation und Rezeptorwechselwirkungen über verschiedene giftige Arten hinweg prägen.
Die Studie stellt eine präzise, automatisierte Methode vor, die mithilfe des aktualisierten Algorithmus PolarBearal über 571.000 vorhergesagte Beta-Fass-Strukturen aus der AlphaFold2-Datenbank analysiert und dabei eine 97-prozentige Genauigkeit bei der Bestimmung der Stranganzahl erreicht, um die strukturelle Vielfalt und funktionellen Eigenschaften bakterieller Außenmembranproteine umfassend zu charakterisieren.
Das Paper stellt PhosSight vor, ein einheitliches Deep-Learning-Framework, das durch die Vorhersage von Peptid-Detektierbarkeit und die Optimierung von Suchalgorithmen die Identifizierung und Lokalisierung von Phosphopeptiden in DDA- und DIA-Massenspektrometrie-Daten verbessert, wodurch die Abdeckung des Phosphoproteoms erweitert und neue therapeutische Zielstrukturen in der Onkologie entdeckt werden können.
Diese Studie verbessert die Identifizierung kausaler Gene durch den Einsatz von Retrieval-Augmented Generation (RAG) und genomischen Distanzinformationen in Kombination mit dem LLM Qwen2.5, wobei die Ergebnisse zeigen, dass zwar beide Methoden die Leistung steigern, ihre Kombination jedoch aufgrund von Wechselwirkungen nur begrenzte zusätzliche Gewinne bringt.
Die vorgestellte Methode NIRD nutzt Matrixfaktorisierung und baumbasierte nichtlineare Regression, um aus extrem dünn besetzten Einzelzell-Transkriptomdaten robuste Genregulationsnetzwerke zu inferieren, die auch bei Batch-Effekten konsistent sind und durch RNA-Geschwindigkeit um kausale Zusammenhänge erweitert werden können.
Die Studie zeigt, dass per-base-Qualitätsscores aus Whole-Genome-Sequenzierungen von zellfreier DNA als kostengünstige, ausrichtungsunabhängige Biomarker dienen können, um Krebspatienten von Kontrollen zu unterscheiden, indem sie fragmentomspezifische Signale wie kurze Fragmente und tumorspezifische Motive erfassen.
Das Paper stellt FAMUS vor, ein neuartiges Few-Shot-Learning-Framework auf kontrastivem Lernen, das durch die Nutzung von Ähnlichkeitsprofilen gegenüber einzelnen Top-Treffer-Abgleichen die funktionelle Annotation von Proteinen in großen genomischen und metagenomischen Datensätzen präziser und effizienter gestaltet.
Die Studie stellt SCL2205 vor, einen hochwertigen, offen zugänglichen Datensatz auf Proteinsequenzbasis, der durch strenge Vorverarbeitung und Vermeidung von Datenlecks die Leistung von Deep-Learning-Modellen zur Vorhersage der zellulären Proteinlokalisierung signifikant verbessert und gleichzeitig die Reproduzierbarkeit fördert.
Die Studie zeigt, dass die Vorhersagegenauigkeit von Protein-Sprachmodellen für mutative Effekte primär durch intrinsische Merkmale der Datensätze, insbesondere die Variabilität der Fitnesswerte, bestimmt wird und nicht durch die Modellarchitektur, wobei viele aktuelle Benchmarks die Leistung durch Datenlecks überschätzen.
Die Studie zeigt, dass die Phosphorylierung eines ASXL2-Tumor-Epitops die Bindungsaffinität und die dynamischen Konformationsänderungen des Peptid-HLA-Komplexes durch die Umgestaltung von Wechselwirkungsnetzwerken im Bindungsgraben verstärkt, was neue Ansätze für die gezielte Krebsimmuntherapie eröffnet.