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.
Diese Studie kombiniert Einzelzell-RNA-Sequenzierung und interpretierbare maschinelle Lernverfahren, um neue Biomarker-Profile zu identifizieren, die das Ansprechen von Triple-Negativem Brustkrebs auf Therapien vorhersagen und damit personalisierte Behandlungsstrategien ermöglichen.
Die Studie stellt SPAE vor, ein auf Autoencodern basierendes Werkzeug, das die Genauigkeit und Robustheit bei der Charakterisierung von Zellzyklusdynamiken und Zellzuständen in Einzelzell-RNA-Sequenzierungsdaten im Vergleich zu bestehenden Methoden erheblich verbessert.
REMAG ist ein neuartiges Werkzeug, das mithilfe von kontrastivem Lernen und genomischen Basismodellen speziell für die effiziente und hochwertige Rekonstruktion eukaryotischer Genome aus Metagenomdaten optimiert ist und damit die Lücke zu prokaryotischen Methoden schließt.
Die Studie stellt scEvolver vor, ein kontinuierliches Lernframework für die Einzelzell-Annotation, das durch prototypbasierte Merkmalsverfeinerung und einen speicherbasierten Ansatz ohne Zugriff auf historische Daten eine skalierbare, stabile und genaue Integration von Zelltypwissen über verschiedene Plattformen, Gewebe und Modalitäten hinweg ermöglicht.
Das Paper stellt geneSTRUCTURE vor, eine moderne, benutzerfreundliche Plattform mit Kommandozeilen- und Web-Schnittstelle, die flexible und interaktive Visualisierungen von Genstrukturen auf Basis von GFF3- und GTF-Annotationen ermöglicht und dabei die Darstellung von Exons, Introns sowie zusätzlichen Merkmalen wie Mutationen und Protein-Domänen unterstützt.
Die Studie stellt Perseus vor, ein lineage-bewusstes Framework, das die taxonomische Klassifizierung von Kraken2 für Long-Read-Metagenomdaten durch die Nutzung räumlicher und hierarchischer Kontextinformationen verfeinert, um die Fehlzuweisungsrate zu senken und die Präzision zu erhöhen.
Diese Studie zeigt, dass genomische Sprachmodelle wie PlantCaduceus die Vorhersage der Genexpression über 17 Pflanzenarten hinweg sowie die Erfassung der Effekte regulatorischer Varianten in Brachypodium-Mutantenlinien im Vergleich zu bestehenden State-of-the-Art-Modellen erheblich verbessern.
Diese Studie nutzt Multi-Omics-Analysen und das SurfacOmics-Tool zur Neuuntersuchung von Daten eines Schweinemodells für juvenile Diabetes, um ADAMTS17 als neuen Biomarker für diabetesbedingte Immunschwäche und verzögerte Wundheilung zu identifizieren.
Die Studie stellt Inverse Protocol Prediction (IPP) vor, ein morphologiebewusstes Lernframework, das mithilfe eines hierarchischen Multi-Task-Transformers experimentelle Kulturbedingungen direkt aus einzelnen Hellfeld-Sphäroid-Bildern mit hoher Genauigkeit rekonstruiert, um die Reproduzierbarkeit in der 3D-Zellkultur zu sichern.
Die Studie stellt SR2P vor, ein effizientes maschinelles Lernverfahren, das auf einem Stacking-Ansatz basiert und die Vorhersage von Protein-Häufigkeiten in der räumlichen Transkriptomik allein aus Genexpressionsdaten ermöglicht, um damit die Analyse des Tumormikromilieus und die Identifizierung therapeutischer Marker zu verbessern.