1248 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.
Diese Studie nutzt die Multi-Omics-Faktorenanalyse (MOFA), um durch die Integration genomischer, epigenomischer und transkriptomischer Daten neue molekulare Profile und prognostische Biomarker für Gliome zu identifizieren, was zu personalisierteren Therapieansätzen führen könnte.
Die Studie zeigt, dass physikalische T-Zell-Makrophagen-Interaktionen im Ovarialkarzinom-Mikromilieu, die durch Doublets in scRNA-seq-Daten identifiziert wurden, die Therapieresistenz beeinflussen, indem Makrophagen des M2-Phänotyps bei resistenten Patienten T-Zell-Erschöpfung induzieren, während M1-polarisierte Makrophagen bei sensiblen Patienten mit nicht-erschöpften T-Zellen interagieren.
Die Studie stellt LLMsFold vor, ein computergestütztes Framework, das Large Language Models und biophysikalische Simulationen kombiniert, um neuartige Wirkstoffkandidaten für pathogene Proteine wie ACVR1 und CD19 zu entwerfen und zu validieren.
Die Autoren formalisieren die wissenschaftliche Methodik als ein phasengesteuertes, protokollbasiertes System, das es allgemeinen Sprachmodellen ermöglicht, durchgängig evidenzbasierte und überprüfbare Forschungsarbeiten in verschiedenen Domänen durchzuführen, wobei ein kontrollierter Vergleich die Vorteile dieser integritätsorientierten Einschränkungen gegenüber ungesteuerten Ansätzen belegt.
Diese Studie stellt mit dem neu entwickelten Cross-DB Genomic Comparator (CDGC) ein umfassendes Benchmarking-Verfahren vor, das erhebliche Diskrepanzen in mikrobiellen Referenzdatenbanken aufdeckt, wobei Viren eine hohe Übereinstimmung, Pilze jedoch eine signifikante Variabilität und potenzielle technische Artefakte aufweisen.
Diese Studie zeigt, dass die direkte Vorhersage von Signalweg-Anreicherungen aus histopathologischen Ganzpräparatbildern (WSIs) mittels maschinellen Lernens genauer ist als der bisherige Standardansatz, der zunächst die Genexpression aus den Bildern vorhersagt und daraus die Signalwege ableitet.
Das Paper stellt PopGenAgent vor, ein reproduzierbares, berichtorientiertes System, das kuratierte Populationsgenetik-Toolchains in validierte Vorlagen mit standardisierten I/O-Schnittstellen und vollständiger Provenienz erfasst, um manuelle Skriptierungsarbeit zu reduzieren und die End-zu-End-Replikation komplexer Analysen zu ermöglichen.
Die Studie stellt EPERep vor, eine Strategie zur evolutionären Eingabeerweiterung, die unannotierte Proteinsequenzen nutzt, um die Vorhersagegenauigkeit von Proteinfunktionen insbesondere für entfernte Homologe und unterrepräsentierte Klassen durch die Verfeinerung von Repräsentationen vortrainierter Sprachmodelle signifikant zu verbessern.
Das Papier stellt ViroSeek vor, eine leichtgewichtige, reproduzierbare und zugängliche Bioinformatik-Pipeline zur taxonomischen Analyse von Second-Generation-Sequenzierungsdaten, die durch automatisierte Schritte von der Qualitätskontrolle bis zur Quantifizierung eine zuverlässige Viruserkennung ermöglicht und sich in Validierungstests als effektiv erwiesen hat.
Die Studie stellt MiGenPro vor, einen interoperablen Workflow, der Linked-Data-Technologien und maschinelles Lernen kombiniert, um aus annotierten mikrobiellen Genomen zuverlässig Phänotypen wie Motilität oder Sporulationsfähigkeit vorherzusagen.