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 stellt STEQ vor, eine neue, statistisch konsistente und skalierbare distanzbasierte Methode zur schnellen und präzisen Schätzung von Artbäumen aus multilokalen Daten unter dem Multi-Species-Coalescent-Modell, die in ihrer Geschwindigkeit führende Zusammenfassungs-Methoden wie ASTRAL übertrifft, während sie eine vergleichbare Genauigkeit beibehält.
Diese Studie stellt eine schnelle, markierungsfreie Methode vor, die durch die Kombination von Schwingungsspektroskopie (ATR-FTIR und Raman) mit Deep-Learning-Modellen DNA-Fragmentlängen präzise quantifiziert und dabei kostengünstig, zerstörungsfrei sowie mit minimalen Probenmengen auskommt.
Die Studie zeigt, dass ein tiefes Lernframework extrachromosomale DNA (ecDNA) direkt aus routinemäßigen H&E-gefärbten histopathologischen Bildern erkennen kann, was eine skalierbare Vorhersage von Tumoren mit ecDNA-Amplifikation und deren ungünstiger Prognose ermöglicht.
Die Studie stellt ExoFILT vor, einen auf Transferlernen basierenden Deep-Learning-Klassifizierer, der die manuelle Annotation von Einzelpartikel-Tracking-Daten zur Analyse der Exozytose um den Faktor zehn beschleunigt und dabei die Reproduzierbarkeit verbessert sowie neue mechanistische Einblicke in die molekulare Zusammensetzung exozytotischer Ereignisse ermöglicht.
Das Paper stellt APEX vor, ein erklärbares KI-Framework, das durch die Kombination von evolutionären Embeddings und Graph-Attention-Netzwerken sowohl die Identifizierung neuer pathogener Zielstrukturen über verschiedene Spezies hinweg als auch die gezielte Generierung von Inhibitormolekülen ermöglicht.
Die Studie stellt GTA-5 vor, ein einheitliches Graph-Transformer-Autoencoder-Framework, das Liganden und Protein-Bindungstaschen als dreidimensionale Punktwolken ohne explizite Bindungstopologie verarbeitet, um sie in gemeinsame latente Räume zu überführen, die funktionelle Kompatibilität abbilden und Anwendungen wie Scaffold-Hopping sowie Drug Repurposing ermöglichen.
Die Arbeit stellt BiGAT-Fusion vor, ein zweigliedriges Graph-Neural-Netzwerk-Modell, das durch node-spezifische Gating-Mechanismen und bidirektionale Aufmerksamkeitsmechanismen die Herausforderungen der Klassenungleichgewichtigkeit und der Richtungsasymmetrie bei der Vorhersage von Wirkstoff-Krankheit-Assoziationen adressiert und dabei state-of-the-art-Ergebnisse auf Standard-Benchmarks erzielt.
scDynOmics ist ein skalierbarer, interpretierbarer Transformer-basiertes Modell, das durch Vorab-Training auf multimodalen Einzelzell-Daten und effiziente Feinabstimmung mittels Low-Rank-Adaptation einen neuartigen Ansatz zur Repräsentationslernen und Analyse zellulärer Heterogenität sowie Dynamiken bietet.
Die Studie stellt das Multiscale Morpho-Barcoding (MMB) vor, ein Framework zur symbolischen Kodierung ganzer Hirnneuronen, das durch die Analyse von 1.876 rekonstruierten Mausneuronen regionsspezifische und skalensensitive Organisationsprinzipien aufdeckt und damit eine systematische Integration von Morphologie, Konnektivität und Funktion im gesamten Gehirn ermöglicht.
Diese Studie kombiniert Netzwerkpharmakologie mit experimentellen Tierversuchen, um nachzuweisen, dass Panax notoginseng die Wundheilung durch die Regulation multipler Wirkstoffe, Zielmoleküle und Signalwege (insbesondere TNF, IL-6 und IL-10) beschleunigt und dabei Entzündungen reduziert sowie die Geweberegeneration fördert.