1199 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 SCL2205 vor, einen hochwertigen, offen zugänglichen Datensatz auf Proteinsequenzbasis, der durch strenge Vorverarbeitung und Vermeidung von Datenlecks die Leistung von Deep-Learning-Modellen zur Vorhersage der zellulären Proteinlokalisierung signifikant verbessert und gleichzeitig die Reproduzierbarkeit fördert.
Die Studie zeigt, dass die Phosphorylierung eines ASXL2-Tumor-Epitops die Bindungsaffinität und die dynamischen Konformationsänderungen des Peptid-HLA-Komplexes durch die Umgestaltung von Wechselwirkungsnetzwerken im Bindungsgraben verstärkt, was neue Ansätze für die gezielte Krebsimmuntherapie eröffnet.
Das Papier stellt die STAR Suite vor, eine von einem Entwickler in vier Monaten mithilfe von KI-Software-Engineering realisierte Modernisierung des STAR-Aligners für das NIH MorPhiC-Konsortium, die durch die direkte Integration von Funktionen in den C++-Quellcode die Notwendigkeit von Zwischenfiles beseitigt und eine skalierbare, einheitliche Datenverarbeitung ermöglicht.
Die Studie zeigt, dass ein Ensemble-Ansatz aus mehreren genomischen Vorhersagemodellen die Vorhersagegenauigkeit für Blütezeitmerkmale bei Mais verbessert und durch die Kombination unterschiedlicher genetischer Variationen neue Einblicke in die zugrunde liegende Genetik liefert.
Die Studie stellt ChatSpatial vor, eine auf dem Model Context Protocol basierende Plattform, die durch schemaerzwungene Orchestrierung von über 60 validierten Werkzeugen in Python und R eine reproduzierbare, plattformübergreifende und konversationsgesteuerte Analyse räumlicher Transkriptomdaten ermöglicht.
Diese Studie führt eine systematische Benchmarking-Analyse von Deconvolutionsmethoden für zellfreie RNA im Plasma durch und stellt fest, dass die Gewebeherkunft zwar robust rekonstruiert werden kann, die Zelltyp-Herkunft jedoch aufgrund methodischer und referenzbedingter Variabilität erheblichen Unsicherheiten unterliegt.
Die Autoren stellen Fractal vor, eine Plattform und Task-Spezifikation, die skalierbare, reproduzierbare und FAIR-konforme Bioimage-Analysen auf Basis des OME-Zarr-Formats ermöglicht.
Diese Studie vergleicht die Leistung von 29 maschinellen Lernalgorithmen, 80 Deep-Learning-Modellen und drei polygenen Risikoscore-Tools bei der Vorhersage von 80 binären Phänotypen aus dem openSNP-Datensatz und zeigt, dass maschinelle Lernverfahren bei 44 und polygene Risikoscores bei 36 Phänotypen die besseren Ergebnisse lieferten.
Das R-Paket anndataR verbessert die Interoperabilität zwischen R und Python in der Einzelzell-Transkriptomik, indem es den naiven Lese- und Schreibzugriff auf H5AD-Dateien sowie die Konvertierung zu und von SingleCellExperiment- oder Seurat-Objekten ermöglicht.
Diese Studie stellt einen verbesserten und standardisierten Datensatz mit doppelt so vielen kuratierten Wirt-Virus-Daten vor, der zeigt, dass die Vorhersage von Wirtsinfektionen auf genetischer Ebene auf höheren taxonomischen Ebenen (z. B. Säugetiere) zuverlässiger ist als für spezifische Arten wie den Menschen, während die Generalisierungsfähigkeit auf völlig neue, nicht verwandte Viren weiterhin eine große Herausforderung bleibt.