1018 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.
Das Paper stellt PIGLET vor, eine neuartige Graph-Transformer-Methode zur Vorhersage von Arzneimittel-Ziel-Interaktionen, die auf einem proteomweiten Wissensgraphen basiert und in rigorosen Tests mit auf Wirkstoffen basierenden Aufteilungen bestehende Modelle übertrifft.
Diese Studie stellt die Information-Content-Informed Kendall-tau (ICI-Kt)-Methode vor, die fehlende Werte in Metabolomik-Daten als linkszensierte Informationen interpretiert, um die Korrelationsanalyse, die Identifizierung von Ausreißern und die Netzwerkkonstruktion zu verbessern.
Die Studie stellt ProteomeLM vor, ein auf gesamten Proteomen trainiertes Sprachmodell, das Protein-Protein-Interaktionen und Genessentialität über verschiedene Taxa hinweg präziser und schneller vorhersagt als bisherige Methoden.
Die Studie stellt ConNIS vor, eine neue statistische Methode zur zuverlässigeren Identifizierung essentieller Gene in TraDIS-Daten, die insbesondere bei geringer Insertionsdichte überlegene Ergebnisse liefert und durch ein neu entwickeltes Instabilitätskriterium eine datengestützte Parametereinstellung ermöglicht.
Diese Studie stellt ein robustes Framework vor, das k-mer-basierte Modelle nutzt, um die Auswirkungen somatischer Mutationen auf die Transkriptionsfaktor-Bindung in 560 Brustkrebsgenomen zu analysieren und zeigt, wie spezifische mutatorische Signaturen die Genregulation subtypspezifisch umprogrammieren.
Diese Studie zeigt, dass die Evaluierung von Modellen zur Vorhersage zellulärer Perturbationsreaktionen aufgrund der Unzuverlässigkeit gängiger Metriken und der oft übertriebenen Erwartungen an komplexe Deep-Learning-Ansätze weit weniger trivial ist als bisher angenommen, und liefert daher einen Rahmen für robustere Benchmarking-Verfahren.
Die Studie zeigt, dass nach Berücksichtigung von Allelfrequenz-Unterschieden die Leistung etablierter Vorhersagemodelle für Missense-Varianten über verschiedene genetische Abstammungsgruppen hinweg vergleichbar ist, was ihren breiten Einsatz in der klinischen Diagnostik unterstützt.
Die Studie stellt MW-RaMViD vor, eine auf Video-Diffusionsmodellen basierende Methode zur Korrektur von Missing-Wedge-Artefakten in der Kryo-Elektronentomographie durch die Generierung fehlender 2D-Neigungsbilder, die durch eine schrittweise, schrittweise Inferenz und eine längere Konditionierungssequenz die Rekonstruktionsgenauigkeit signifikant verbessert.
Die Studie stellt DeepMDTOMO vor, ein überwachtes Deep-Learning-Framework, das die präzise Vorhersage atomarer Konformationen aus verrauschten Cryo-ET-Subtomogrammen ermöglicht und damit die rechenintensive, physikbasierte flexible Anpassung von Biomolekülen effizient beschleunigt.
Die Studie stellt SomaSV vor, ein kosteneffizientes Hybrid-Sequenzierungs-Framework, das durch die Kombination von Tumor-Langread-Daten mit kostengünstigen Kurzread- und Langread-Daten von Normalgewebe die Genauigkeit somatischer Strukturschwankungen signifikant verbessert und dabei die Kosten senkt.