1235 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 SMILE vor, ein auf dem Schrödinger-Brücken-Prinzip basierendes Diffusionsmodell, das virtuelle Multiplex-Immunfärbungen aus H&E-Schnitten der Bauchspeicheldrüse mit höherer Genauigkeit und struktureller Erhaltung als GANs erzeugt und so die proteomische Analyse bei der Erforschung von Typ-1-Diabetes und anderen Krebsarten revolutioniert.
Die Studie stellt Hybrid Gated Fusion vor, ein multimodales Deep-Learning-Framework, das durch bilineare Gating-Mechanismen und zusätzliche Überwachung die Integration von Sequenz-, Struktur-, Text- und Interaktionsnetzwerkdaten optimiert, um auf dem CAFA3-Benchmark einen neuen State-of-the-Art bei der Protein-Funktionsannotation zu erreichen.
Die Studie stellt GANGE vor, ein bahnbrechendes generatives Deep-Learning-System, das durch die Kombination von Diffusionsmodellen und einem Transformer-Modell kostengünstig und präzise lange Genomsequenzen aus fehleranfälligen ONT-Daten rekonstruiert und erweitert, wodurch die Notwendigkeit teurer Hochdurchsatz-Sequenzierung reduziert und neue Möglichkeiten für die Regulomik ohne vollständige Genomdaten eröffnet werden.
Diese Studie bewertet zehn Tools zur Detektion von rRNA-Modifikationen in Escherichia coli mittels Oxford Nanopore Direct RNA Sequencing, stellt fest, dass DiffErr und JACUSA2 die beste Leistung zeigen, und unterstreicht die Notwendigkeit, neben Diskriminierungsmetriken auch die Vollständigkeit der Ausgabe, die Positionspräzision und modifikationsspezifische Sensitivität zu berücksichtigen, um durch Tool-Kombinationen und Offset-Korrekturen die Erfassungsrate zu maximieren.
Diese Studie zeigt, dass maschinelles Lernen zur Imputation fehlender Mücken-Daten die Vorhersagegenauigkeit von *Plasmodium vivax*-Malariafällen in Bolivar, Venezuela, signifikant verbessert, während die Vorhersage von *Plasmodium falciparum* jedoch scheiterte.
Diese Studie zeigt, dass die Integration von Glykosylierung als Filter in den de-novo-Proteindesign-Prozess mithilfe von ReGlyco-Tools die Effizienz erheblich steigert und Laborkosten senkt, indem sie nicht-bindende Kandidaten vor experimentellen Tests zuverlässig identifiziert.
Die Studie zeigt, dass die Analyse von Beitragswerten zur Genregulation eine konsistente Signalkaskade als gemeinsames Rückgrat in RNA-bindenden Proteinnetzwerken offenbart, während funktionelle Module wie neuronale oder immunologische Prozesse kontextabhängig umverteilt werden.
Die Studie entwickelt ein Deep-Learning-Modell auf Basis der Frequency Chaos Game Representation und ResNet-18 zur Vorhersage von antimikrobieller Resistenz bei Salmonella enterica und Staphylococcus aureus, das zwar für bestimmte Antibiotika wie Cephalosporine vielversprechende Ergebnisse liefert, jedoch in der Gesamtleistung noch hinter etablierten genbasierten Tools wie ResFinder zurückbleibt.
Diese Arbeit stellt einen erklärungsstarken Ansatz vor, der einen umfassenden biomedizinischen Wissensgraphen und Graph Neural Networks nutzt, um die komplexen Mechanismen der Darm-Hirn-Achse bei 125 neurologischen und psychiatrischen Störungen zu entschlüsseln und ein interaktives Dashboard zur Visualisierung dieser Zusammenhänge bereitzustellen.
Das R-Paket evo3D stellt ein neues, skalierbares Framework für die evolutionäre Analyse dar, das durch die Extraktion räumlicher Haplotypen aus Proteinstrukturen eine strukturbasierte Untersuchung molekularer Evolution ermöglicht und dabei die Beschränkungen herkömmlicher linearer Ansätze überwindet.