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.
DPGT ist ein auf Apache Spark basierendes, hochleistungsfähiges Werkzeug für das gemeinsame Varianten-Calling in großen Kohorten, das eine schnelle, skalierbare und genaue Analyse ermöglicht und dabei komplexe Parallel-Workflows vereinfacht.
ProtNHF ist ein generatives Modell, das mithilfe von neuronalen Hamilton-Flüssen und analytischen Verzerrungsfunktionen eine kontrollierbare Proteinsequenzgenerierung ermöglicht, bei der Eigenschaften wie Aminosäurezusammensetzung und Nettoladung zur Laufzeit durch Energieanpassungen präzise gesteuert werden können, ohne das Modell neu trainieren zu müssen.
Die Studie stellt CellSweep vor, ein effizientes Werkzeug zur Entfernung von Umgebungs- und Bulk-Kontaminationen in Single-Cell-Genomik-Daten, das in Benchmarks andere Methoden zur Artefaktbereinigung übertrifft.
Diese Studie erweitert einen informationstheoretischen Ansatz zur Fenstergrößenbestimmung in phylogenomischen Analysen, indem sie eine Splitting-and-Merging-Strategie einführt, die variable Fenstergrößen entlang von Chromosomen ermöglicht und sich als überlegen gegenüber festen Fenstergrößen bei der Rekonstruktion von Genträumen erweist, insbesondere bei unterschiedlichen Rekombinationsraten.
Diese Arbeit bietet eine systematische Übersicht über die Anwendung von Sparse Autoencodern zur Interpretation biologischer Foundation-Modelle, stellt fest, dass diese zwar konsistent biologisch relevante Merkmale extrahieren, warnt jedoch vor der Zirkularität bestehender Validierungsmethoden und fordert experimentelle Ansätze wie Deep Mutational Scanning, um kausale biologische Mechanismen nachzuweisen.
Die Studie stellt SLiMMine vor, eine Deep-Learning-Methode, die durch die Nutzung von Protein-Embeddings und neuronalen Netzen zuverlässig neue kurze lineare Motive (SLiMs) im menschlichen Proteom vorhersagt, falsch-positive Treffer um etwa 80 % reduziert und die Entdeckung bisher unbekannter Motive sowie präziserer Protein-Protein-Interaktionen ermöglicht.
Diese Studie analysiert die Entwicklung der Gene Ontology über 21 Jahre und zeigt, dass das Ressource nach einer Phase des Wachstums und der strukturellen Umgestaltung ab 2017 in eine Phase zunehmender Stabilität übergegangen ist, was für die Reproduzierbarkeit und Wiederverwendung von Analysen entscheidend ist.
Diese Studie kombiniert computergestütztes Drug-Repurposing mit experimentellen Validierungen, um Hydrochlorothiazid und andere Wirkstoffkandidaten als potenzielle Therapeutika gegen die Echinokokkose zu identifizieren, indem sie deren Bindung an essentielle Fettsäure-bindende Proteine (FABPs) des Parasiten nachweist.
Die Arbeit stellt „Latent Space Dynamics" (LSD) vor, ein thermodynamisch inspiriertes Framework, das mithilfe neuronaler gewöhnlicher Differentialgleichungen die Zelldifferenzierung als Evolution auf einer gelernten Waddington-Landschaft modelliert, um dabei kontinuierliche Differenzierungstrajektorien zu rekonstruieren, Abstammungshierarchien präziser vorherzusagen und die zelluläre Plastizität quantitativ zu erfassen.
Die Autoren präsentieren eine GPU-basierte Neuimplementierung von kallisto für die RNA-seq-Transkriptquantifizierung, die durch eine algorithmische Neugestaltung für massive Parallelisierung eine 30- bis 50-fache Beschleunigung gegenüber der CPU-Version erreicht und damit typische Analysen von Minuten auf Sekunden reduziert.