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 Arbeit stellt MiRformer vor, ein einheitliches generatives Framework auf Basis von Dual-Transformern, das durch die direkte Modellierung von Rohsequenzen und die Verwendung eines gleitenden Fenster-Attention-Mechanismus präzise miRNA-mRNA-Interaktionen vorhersagt, Bindungsstellen lokalisiert und biologisch plausible, zielgerichtete miRNA-Sequenzen synthetisiert.
Das Paper stellt das Stochastic System Identification Toolkit (SSIT) vor, eine schnelle und flexible Open-Source-MATLAB-Software, die es Forschern ermöglicht, stochastische biologische Systeme zu modellieren, Parameter unter Berücksichtigung von Rauschen und Messfehlern zu schätzen, Sensitivitätsanalysen durchzuführen und Experimente quantitativ zu optimieren, um Zeit und Ressourcen zu sparen.
Die Studie stellt SPAE vor, ein auf Autoencodern basierendes Werkzeug, das die Genauigkeit und Robustheit bei der Charakterisierung von Zellzyklusdynamiken und Zellzuständen in Einzelzell-RNA-Sequenzierungsdaten im Vergleich zu bestehenden Methoden erheblich verbessert.
REMAG ist ein neuartiges Werkzeug, das mithilfe von kontrastivem Lernen und genomischen Basismodellen speziell für die effiziente und hochwertige Rekonstruktion eukaryotischer Genome aus Metagenomdaten optimiert ist und damit die Lücke zu prokaryotischen Methoden schließt.
Das Paper stellt geneSTRUCTURE vor, eine moderne, benutzerfreundliche Plattform mit Kommandozeilen- und Web-Schnittstelle, die flexible und interaktive Visualisierungen von Genstrukturen auf Basis von GFF3- und GTF-Annotationen ermöglicht und dabei die Darstellung von Exons, Introns sowie zusätzlichen Merkmalen wie Mutationen und Protein-Domänen unterstützt.
Diese Studie liefert die erste telomer-zu-telomer-Genomzusammenstellung und haplotypaufgelöste Analyse des tetraploiden *Dendrobium officinale*, wodurch Einblicke in die Orchideen-Evolution, die Entstehung der Autotetraploidie vor etwa 0,86 Millionen Jahren sowie die Rolle von SWEET-Genen bei der mykorrhizalen Symbiose gewonnen werden.
Die Studie stellt eine Machine- und Deep-Learning-Pipeline vor, die Genotypdaten nutzt, um Personen in Fall-/Kontrollgruppen zu klassifizieren und durch Analyse der Feature-Importanz assoziierte Gene zu identifizieren, wobei ein hoher Trefferquotient von 0,84 im Vergleich zu GWAS-Katalogdaten die Methode als vielversprechendes Werkzeug für die Priorisierung krankheitsrelevanter Gene und therapeutischer Zielstrukturen bestätigt.
Die Studie identifiziert Withaferin A durch eine umfassende computergestützte Analyse, einschließlich molekularer Docking- und Dynamiksimulationen, als vielversprechenden multizielgerichteten antiviralen Inhibitor gegen Schlüsselproteine des Marburg-Virus.
Diese Studie stellt einen umfassenden Benchmark von drei Tools zur Erkennung von circRNAs aus Oxford Nanopore-Langlese-Daten vor und entwickelt dabei ein flexibles, datengesteuertes Simulationsframework, um die Leistungsfähigkeit und Grenzen der aktuellen Bioinformatik-Methoden zu bewerten.
Diese Arbeit stellt ein neuartiges Framework namens SI-ADMM vor, das auf einer gekoppelten Tensor-Tensor-Faktorisierung mit zusätzlichen Ähnlichkeitsdaten basiert, um gleichzeitig wirksame Arzneimittelkombinationen und Arzneimittelwechselwirkungen auch für neuartige Wirkstoffe präzise vorherzusagen.