1199 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 Studie stellt einen strukturgestützten Workflow vor, der 1.513 Cytochrom-P450-Einträge in der Protein Data Bank identifiziert, neu annotiert und in eine öffentlich zugängliche, standardisierte Datenbank integriert, um die zuverlässige Erfassung und Analyse dieser Enzysuperfamilie zu ermöglichen.
Die Studie stellt SELFormerMM vor, ein multimodales Framework, das SELFIES, Strukturdaten, Text und Wissensgraphen integriert, um überlegene molekulare Repräsentationen für die computergestützte Wirkstoffentwicklung zu erzeugen.
Die Arbeit stellt den Super Bloom Filter vor, eine durch Minimierer und das Findere-Schema optimierte Variante von Bloom-Filtern für Streaming-k-Mer-Abfragen, die durch verbesserte Cache-Lokalität und reduzierte False-Positives sowohl die Geschwindigkeit als auch die Präzision bei der bioinformatischen Sequenzanalyse erheblich steigert.
PhyloRNA ist eine kuratierte Meta-Datenbank, die großen Zugriff auf RNA-Sekundärstrukturen bietet, die explizit mit phylogenetischen Annotationen aus fünf Taxonomiesystemen sowie zusätzlichen strukturellen Deskriptoren verknüpft sind, um vergleichende und phylogeniegestützte Studien zu erleichtern.
Das Paper stellt RiboBA vor, ein probabilistisches Framework, das durch die explizite Berücksichtigung protokollbedingter Verzerrungen die robuste Identifizierung nicht-kanonischer ORFs in Ribosomen-Profilierungsdaten verbessert und dabei insbesondere bei Datensätzen mit abgeschwächter Dreinukleotid-Periodizität überlegene Genauigkeit erreicht.
Diese Studie stellt ein KI-gestütztes Entscheidungsunterstützungswerkzeug vor, das mittels Random-Forest-, SVM- und XGBoost-Modellen auf Basis von respiratorischen Mikrobiom-Daten aus 477 Shotgun-Metagenom-Proben COVID-19-Patienten erfolgreich triagiert und dabei insbesondere das XGBoost-Modell mit bis zu 96,1 % Genauigkeit die schwersten Verläufe anhand dysbiotischer Verschiebungen hin zu opportunistischen Erregern wie *Acinetobacter* und *Staphylococcus* vorhersagt.
Das Paper stellt DOTSeq vor, ein statistisches Framework zur genomweiten Detektion differenzieller ORF-Nutzung und -Translationseffizienz in Ribosomen-Profilierungsdaten, das die Beschränkung herkömmlicher Methoden auf Gen-Ebene überwindet und ORF-spezifische regulatorische Ereignisse aufdeckt.
Dieser Artikel stellt einen konsensbasierten, wissenschaftlich fundierten Bewertungsrahmen vor, der eine standardisierte Definition für „bedenkliche Sequenzen" liefert, um die Biosecurity-Screening-Prozesse für Nukleinsäuren zu vereinheitlichen und die Diskrepanzen bei der Klassifizierung potenziell riskanter Sequenzen erheblich zu verringern.
Die Studie zeigt, dass viele weit verbreitete Methoden zur Differenzanalyse von Mikrobiom-Daten unter Nullbedingungen systematisch verzerrte p-Werte liefern, während einfachere statistische Ansätze wie der t-Test und der Wilcoxon-Test robustere und zuverlässigere Ergebnisse bieten.
Das Paper stellt Ryder vor, ein flexibles Python-Paket zur Normalisierung epigenomischer Daten, das mithilfe stabiler interner Referenzregionen technische Variabilität korrigiert und so die Zuverlässigkeit biologischer Signalentdeckungen über verschiedene Assays hinweg verbessert.