1250 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 zeigt, dass protocolbedingte Verzerrungen beim Vergleich von 3'- und 5'-scRNA-seq-Daten auf eine kleine, reproduzierbare Gruppe von Genen beschränkt sind und dass deren gezielte Entfernung eine effektivere Strategie zur Datenintegration darstellt als aggressive Normalisierungs- oder Batch-Korrekturverfahren, die biologische Signale verzerren können.
Die Studie stellt iGS vor, eine vollständig code-freie grafische Software mit einer portablen Dual-Engine-Architektur, die 33 fortschrittliche Vorhersagemodelle integriert, um Genomische Selektion für Pflanzen- und Tierzüchter ohne Programmierkenntnisse zugänglich zu machen und dabei die Robustheit linearer Modelle für additive Merkmale sowie die Überlegenheit von Machine-Learning-Ansätzen bei komplexen epistatischen Effekten zu demonstrieren.
Die Studie stellt Minimum Unique Substrings (MUSs) als kontextsensitive, variable Alternative zu festen k-Meren vor, die durch eine lineare Zeitkomplexität und eine drastische Reduktion der Tokenanzahl eine überlegene Abdeckung und Auflösung für die Genomanalyse bieten.
Das neuro-symbolische Framework h5adify ermöglicht die skalierbare und datenschutzkonforme Harmonisierung heterogener Metadaten in AnnData-Objekten durch die Kombination deterministischer biologischer Inferenz mit lokal ausgeführten großen Sprachmodellen, um die Integration und Wiederverwendbarkeit von Einzelzell-Atlas-Daten zu verbessern.
Die Studie stellt einen sorgfältig kuratierten Benchmark-Datensatz und die hocheffiziente Methode vhPPIpred vor, die durch die Integration von Netzwerktopologie und viraler molekularer Mimikry die Vorhersage von Virus-Human-Protein-Protein-Interaktionen verbessert und somit Anwendungen in der antiviralen Wirkstoffentwicklung sowie der Früherkennung neuer Viren ermöglicht.
Das Paper stellt scUnify vor, ein einheitliches Python-Framework, das die Zero-shot-Inferenz und standardisierte Evaluierung verschiedener Single-Cell-Grundmodelle durch eine modulare Architektur, automatisierte Vorverarbeitung und skalierbare Multi-GPU-Verarbeitung ermöglicht.
Das Paper stellt LLPSight vor, einen hochpräzisen maschinellen Lernalgorithmus, der mithilfe von Protein-Sprachmodellen und sorgfältig kuratierten Datensätzen Proteine identifiziert, die die Flüssig-Flüssig-Phasenseparation (LLPS) antreiben, und damit eine effiziente, proteomweite Vorhersage neuer LLPS-Treiber für die experimentelle Validierung ermöglicht.
Die Studie zeigt, dass das Meta-Learning-Framework STUNT bei der Klassifizierung mikrobiom-basierter Krankheiten nur bei extremem Datenmangel (ein Beispiel pro Klasse) einen geringen Vorteil bietet, während dieser bei mehr Daten verschwindet und die intrinsische biologische Signalstärke der Hauptfaktor für den Klassifikationserfolg bleibt.
Diese Studie identifiziert durch computergestützte Screening- und ADMET-Analysen Phytochemikalien aus indischen Heilpflanzen, insbesondere Withanolide aus *Withania somnifera*, als vielversprechende, orale Hemmstoffe der intestinalen α-Glucosidase zur Kontrolle des postprandialen Blutzuckers bei Typ-2-Diabetes.
Die Studie stellt DartUniFrac vor, einen neuartigen Algorithmus mit GPU-Beschleunigung, der durch die Kombination von UniFrac mit gewichteter Jaccard-Ähnlichkeit und Sketching-Verfahren eine bis zu dreimal Größenordnungen schnellere und statistisch äquivalente Analyse von Mikrobiomdaten im Megamaßstab ermöglicht.