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 Arbeit stellt HKS vor, eine datenstrukturelle Lösung auf Basis der Spectral Burrows-Wheeler Transform, die eine exakte, verlustfreie Annotation genomischer Merkmale mittels variabler K-Mer-Längen ermöglicht und durch einen hierarchiebewussten Glättungsalgorithmus die Spezifität bei mehrdeutigen Zuordnungen signifikant verbessert.
Die Studie stellt HARVEST vor, ein autonomes Multi-Agenten-System auf Basis von Large Language Models, das erfolgreich Millionen von bisher unzugänglichen bioaktiven Daten aus Pharmapatenten extrahiert, damit eine neue Benchmark (H-Bench) erstellt und fundamentale Generalisierungslücken bestehender KI-Modelle aufdeckt.
Die Studie stellt PREMISE vor, ein probabilistisches, alignierungsbasiertes Framework in Rust, das durch die Integration von Qualitätsdaten und einem Expectation-Maximization-Algorithmus eine präzisere Identifizierung von Influenza-A-Viren und die Detektion von Mischinfektionen oder Reassortment-Ereignissen ermöglicht als herkömmliche k-mer-basierte Methoden.
Die Studie stellt Zigo vor, eine maschinell gelernte, referenzfreie Methode zur Geschlechtsbestimmung aus Standard-VCF-Dateien, die durch eine polynomiale Gleichung manuelle Schwellenwertanpassungen eliminiert und dabei hohe Genauigkeit sowie Robustheit über verschiedene Genomdatentypen hinweg gewährleistet.
Die Arbeit stellt eine neue Methode vor, die durch Interpolation und Extrapolation von Knotenanzahlen in farbigen komprimierten de-Bruijn-Graphen sowie die Anwendung von Hill-Zahlen zur Gewichtung seltener Sequenzen die Vergleichbarkeit von Pangenomen trotz unterschiedlicher Genomzahlen und des Einflusses seltener Varianten ermöglicht.
Das Paper stellt SpeciefAI vor, einen auf Transformern basierenden Multi-Spezies-Modellansatz, der mRNA-codierte Antikörper- und Nanobody-Rahmenregionen (FRs) generiert, die auf spezifische CDRs und Wirtsspezies (z. B. Mensch und Hund) zugeschnitten sind, um eine effiziente Expression und minimale Immunogenität zu gewährleisten.
Diese Arbeit führt das Konzept der durch Pangenom-Graphen induzierten Homologierelation ein, um metrikbasierte Vergleichsmethoden und Transformationen zwischen Variation Graphs und Whole Genome Alignments zu entwickeln, die im Paket WGAtools implementiert sind.
Diese Arbeit stellt neuartige, speichereffiziente Datenstrukturen für Subset-Rank-Abfragen vor, die mit weniger als 3 Bits pro k-Mer neue Pareto-optimale Lösungen für k-Mer-Lookups im Rahmen der spektralen Burrows-Wheeler-Transformation ermöglichen.
Die Arbeit stellt „10-minimizers" als eine vielversprechende Klasse von Minimierern vor, die konstanten Speicherbedarf, niedrige Dichte und schnelle Schlüsselabrufe vereinen, wobei die Autoren erstmals nachweisen, dass zufällige 10-minimizers im nicht-asymptotischen Regime eine geringere Dichte als zufällige Minimierer aufweisen und einen neuen Benchmark für die Abrufzeit einführen.
Die Studie stellt scTimeBench vor, eine modulare Benchmarking-Plattform, die zeigt, dass viele aktuelle Methoden zur zeitlichen Einzelzellanalyse zwar Vorhersagen treffen können, aber oft biologische Signale und Linientreue vernachlässigen, und bietet zudem ein integriertes Python-Paket zur Verbesserung dieser Analysen.