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 Paper stellt scExploreR vor, eine flexible R Shiny-basierte Plattform, die es Nicht-Programmierern ermöglicht, multimodale Einzelzell-Daten durch eine benutzerfreundliche Oberfläche zu analysieren und so die Kommunikation zwischen biologischen und computergestützten Wissenschaftlern verbessert.
Diese Studie integriert Multi-Omics-Daten, um zu zeigen, dass regelmäßige körperliche Aktivität die menschliche Immunität und den Stoffwechsel durch eine koordinierte Steigerung der Fettsäureoxidation, eine epigenetische und transkriptionelle Aktivierung antigenpräsentierender Zellen sowie eine verbesserte Zellkommunikation und unterdrückte Entzündungssignale verbessert.
Das Papier stellt DABEST 2.0 als ein Schätzrahmenwerk vor, das die Grenzen der herkömmlichen Varianzanalyse überwindet, indem es Effektstärken für komplexe experimentelle Designs mit mehreren Gruppen quantifiziert.
Das Paper stellt EpiExpr vor, ein flexibles Deep-Learning-Framework, das mithilfe von 1D-Epigenom-Daten und 3D-Chromatin-Interaktionen die Genexpression präzise vorhersagt und dabei sowohl lokale als auch distale regulatorische Effekte effizient erfasst.
Diese Arbeit stellt ein neuartiges Framework namens SI-ADMM vor, das auf einer gekoppelten Tensor-Tensor-Faktorisierung mit zusätzlichen Ähnlichkeitsdaten basiert, um gleichzeitig wirksame Arzneimittelkombinationen und Arzneimittelwechselwirkungen auch für neuartige Wirkstoffe präzise vorherzusagen.
Die Studie stellt QuantCell vor, einen maschinellen Lernansatz, der quantitative Bilddaten nutzt, um die Genauigkeit und den Anteil annotierter Zellen in komplexen Geweben mittels räumlicher Omics-Technologien erheblich zu steigern.
Diese Studie nutzt Einzelzell-Transkriptomik, um zonenabhängige Unterschiede in der podozytären Reaktion auf Nierenverletzungen aufzudecken, und zeigt, dass die p53-vermittelte Seneszenz in juxtamedullären Podozyten zu schwerwiegenderen Schäden bei fokaler segmentaler Glomerulosklerose beiträgt.
Die Studie stellt t2pmhc vor, ein strukturbasiertes Graph-Neural-Network-Framework, das durch die Nutzung von TCR-pMHC-Komplexstrukturen die Generalisierungsfähigkeit bei der Vorhersage von TCR-Bindungen an unbekannte Antigene im Vergleich zu rein sequenzbasierten Methoden signifikant verbessert.
Das Paper stellt miREA vor, ein netzwerkbasiertes Werkzeug für die Anreicherungsanalyse von microRNAs, das durch die Integration von miRNA-Gen-Interaktionen und fünf neuartigen Kanten-basierten Algorithmen eine sensitivere und biologisch aussagekräftigere Identifizierung relevanter Signalwege im Vergleich zu herkömmlichen Knoten-basierten Methoden ermöglicht.
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.