759 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.
Dieser Beitrag stellt **bcrnnoise** vor, ein Open-Source-Python-Framework, das deterministische Drifts, Gaußsche Fluktuationen und additive sporadische Sprünge in einem einzigen stochastischen Differentialgleichungsmodell vereint, um genaue Transkriptionsspuren effizient zu erzeugen und dabei eine bis zu zwei Größenordnungen höhere Rechengeschwindigkeit im Vergleich zur exakten stochastischen Stichprobenziehung zu erreichen.
SaVanache ist ein Visualisierungstool mit mehreren Auflösungen, das eine effiziente, Echtzeit-Exploration und einen intuitiven Vergleich von einem zu vielen komplexen Pangenom-Variationsgraphen ermöglicht, indem es GFA-Dateien in optimierte Indizes vorverarbeitet und spezialisierte Glyphen verwendet, um strukturelle Variationen im Verhältnis zu einem linearen Pivot-Genom hervorzuheben.
Dieser Artikel stellt eine statistische Entstreifungsmethode für 10x Genomics VisiumHD-Daten vor, die Bin-Zählungen unter Verwendung von Kernsegmentierung und einem regularisierten generalisierten linearen Modell modelliert, um multiplikative Streifenartefakte effektiv zu entfernen und gleichzeitig großskalige biologische Signale zu erhalten, wodurch bestehende Normalisierungsansätze übertroffen werden.
Die Arbeit stellt SLiMNet vor, ein Deep-Learning-Modell, das Einbettungen aus großen Sprachmodellen für Proteine und kontrastives Lernen nutzt, um funktionelle Ähnlichkeiten zwischen kurzen linearen Motiven (SLiMs) vorherzusagen, wodurch die funktionelle Annotation zuvor nicht charakterisierter Motive ermöglicht und umfassende Atlanten potenzieller funktionaler Paare für die Forschungsgemeinschaft bereitgestellt werden.
ProtSpace ist eine datenschutzfreundliche, browserbasierte Webanwendung, die die interaktive Visualisierung und systematische Erkundung von Embedding-Räumen proteinbasierter Sprachmodelle ermöglicht und durch integrierte 3D-Strukturansichten sowie Multi-Label-Annotationen komplexe funktionale und strukturelle Zusammenhänge jenseits traditioneller Sequenzähnlichkeit aufdeckt.
Die Arbeit stellt MANGO vor, eine neuartige Methode zur Netzwerkklastierung, die durch Konditionierung auf die Gradverteilung einen Hub-Bias in der Gen-Sets-Analyse korrigiert und dadurch eine robuste Detektion biologisch bedeutsamer räumlicher Autokorrelation ermöglicht, ohne die bei traditionellen Überrepräsentations- oder naiven netzwerkbasierten Ansätzen inhärenten falsch-positiven Ergebnisse.
Das Papier stellt geneSync vor, ein R-Paket, das Inkonsistenzen bei Gensymbolen in groß angelegten RNA-seq-Daten durch eine hierarchische Matching-Strategie und Offline-Datenbanken auflöst und damit die Integration über Datensätze hinweg sowie die Überlappung von Merkmalen erheblich verbessert.
Diese Arbeit zeigt, dass konventionelle Baseline-Methoden bei der Vorhersage der Auswirkungen mutationsreicher Proteinvarianten ebenso gut oder besser abschneiden als Protein-Sprachmodelle, was darauf hindeutet, dass pLMs zur wirksamen Weiterentwicklung des Proteindesigns eine Integration mit biophysikalischen oder strukturellen A-priori-Wissen erfordern.
PhenotypeToGeneDownloaderR ist eine leichte, reproduzierbare R/Python-Pipeline, die den Abruf, die Harmonisierung und die Validierung von phänotyp-assoziierten Genen aus mehreren heterogenen biologischen Datenbanken automatisiert, eine hohe Recall-Rate erreicht und die Komplementarität integrierter Evidenzquellen für nachgelagerte genetische Analysen demonstriert.
Dieser Beitrag stellt Atlas, einen groß angelegten Mikrobiom-Pretraining-Datensatz, sowie die Waypoint-Familie von Foundation-Modellen vor und zeigt anhand des Compass-Benchmarks, dass selbstüberwachtes Pretraining klassische Methoden und bestehende Modelle bei diversen Mikrobiom-Vorhersageaufgaben deutlich übertrifft.