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.
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.
Das Paper stellt RankMap vor, ein effizientes R-Paket, das durch eine auf Rangfolgen basierende Referenzabbildung eine robuste und skalierbare Zelltyp-Annotation für Einzelzell- und räumliche Transkriptomik-Daten ermöglicht und dabei sowohl die Genauigkeit als auch die Rechengeschwindigkeit im Vergleich zu bestehenden Methoden verbessert.
Die Studie stellt Pinc vor, eine neue Metrik, die Vorhersagefehler von AlphaFold in kalibrierte Kontaktwahrscheinlichkeiten umwandelt, um Protein-Protein-Interaktionen, insbesondere bei kleinen Schnittstellen, sensitiver zu bewerten und experimentelle Validierungen zu priorisieren.
Die vorgestellte Arbeit stellt einen Deep-Learning-Framework vor, der durch die Kombination von Transkriptom-Korrekturmethoden mit multimodalen Basis-Modellen eine robuste, patientenübergreifende Integration von räumlichen Transkriptom-Daten ermöglicht und dabei Batch-Effekte überwindet, um zelluläre Programme und räumliche Nischen konsistent zu identifizieren.
Die Studie zeigt, dass aktuelle KI-basierte Strukturvorhersagemethoden zwar oft geometrisch plausible Antikörper-Antigen-Komplexe erzeugen, ihre internen Konfidenzwerte jedoch nicht ausreichen, um spezifische Bindungen von falsch gepaarten, aber strukturell plausiblen Interaktionen zu unterscheiden.
Diese Studie führt ein umfassendes Benchmarking von fünf öffentlichen Bild-Grundmodellen durch und zeigt, dass histopathologiespezifisch vortrainierte Modelle wie Phikon die Genexpression aus Ganzschnittbildern am genauesten vorhersagen können, wodurch die Bedeutung domänenspezifischer Vorverarbeitung für molekulare Pathologie unterstrichen wird.
MetaStrainer ist ein neu entwickeltes Python-Tool, das die Rekonstruktion von bakteriellen Stamm-Genotypen aus kurzen Metagenom-Sequenzierungsdaten ermöglicht und dabei im Vergleich zu bestehenden Methoden eine deutlich höhere Genauigkeit bei der Identifizierung der Stammzahl, der Schätzung ihrer relativen Häufigkeiten und der Genotyp-Rekonstruktion selbst erreicht.
Diese Arbeit stellt eine integrierte computergestützte Pipeline mit hierarchischer Filterung vor, die durch den Einsatz diverser Werkzeuge und maschineller Lernmodelle die Identifizierung und Optimierung von Antigenkandidaten für neu auftretende Viren wie SARS-CoV-2, Rift-Valley-Fieber-Virus und Mayaro-Virus beschleunigt und somit die Entwicklung zukünftiger Impfstoffe und Therapien unterstützt.
Das Paper stellt BoPep vor, ein auf Bayes-Optimierung basierendes Framework, das die Suche nach therapeutisch relevanten Peptidbindern durch effiziente Navigation des Sequenzraums und Reduktion teurer Docking-Bewertungen beschleunigt und dabei neue Binder für CD14 sowie Neutralisatoren für Pneumolysin identifiziert.