1018 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 stellt StackCBEmbed vor, ein neuartiges Ensemble-Machine-Learning-Modell, das traditionelle Sequenzmerkmale mit Embeddings vortrainierter Protein-Sprachmodelle kombiniert, um Protein-Kohlenhydrat-Bindungsstellen auf Residue-Ebene direkt aus Primärsequenzen präzise vorherzusagen.
Das Paper stellt spammR vor, ein R-Paket, das darauf ausgelegt ist, die End-to-End-Analyse und Integration diverser räumlicher Multi-Omik-Datensätze zu erleichtern, mit einem spezifischen Fokus auf massenspektrometrisch gewonnenen Messungen innerhalb einer einzelnen Gewebeprobe.
Diese Studie zeigt, dass der Multitarget-Drug-Repurposing-Ansatz der CANDO-Plattform durch die Analyse von Wirkstoff-Proteom-Interaktionssignaturen erfolgreich neuartige therapeutische Kandidaten für Schizophrenie identifiziert und validiert, wobei sowohl etablierte als auch potenzielle neue Mechanismen unter Beteiligung von Neurotransmittersystemen und Kalzium-Signalisierungswegen aufgedeckt werden.
Diese Arbeit zeigt auf, dass der weit verbreitete Sum-of-Pairs-Score oft daran scheitert, die genauesten Multiples Sequenzalignment zu identifizieren, und schlägt ein auf Deep Learning basierendes Scoring-Framework vor, spezifisch Modell 2, welches alternative Alignments effektiv rankt, um die nachgeschaltete phylogenetische Rekonstruktion zu verbessern.
LongPolyASE ist ein umfassendes End-to-End-Framework, das darauf ausgelegt ist, die allelspezifische Gen- und Isoform-Analyse in Polyploiden mittels Long-Read-RNA-Seq-Daten zu ermöglichen, wobei es den aktuellen Mangel an spezialisierten Werkzeugen für diese Organismen durch seine integrierten Komponenten für die syntenische Genidentifizierung, Transkriptquantifizierung und differenzielle Expressionsanalyse adressiert.
Diese Studie zeigt auf, dass poly(A)-angereicherte RNA-Seq-Daten aufgrund hoher Falsch-Positiv-Raten und mangelnder Übereinstimmung der Tools ungeeignet für eine zuverlässige circRNA-Detektion sind, wodurch etabliert wird, dass die Total-RNA-Sequenzierung mit effektiver Ribosomen-RNA-Depletion der notwendige Standard für ein präzises circRNA-Profiling ist.
RareCapsNet ist ein erklärbares Capsule-Network-Framework, das robuste Identifizierungen seltener Zellpopulationen und deren transkriptomischer Signaturen in groß angelegten Einzelzell-RNA-Sequenzierungsdaten ermöglicht und dabei aktuelle Stand-der-Technik-Methoden übertrifft, während es gleichzeitig den Wissenstransfer über verschiedene experimentelle Batches hinweg ermöglicht.
Das Papier stellt GCP-VQVAE vor, einen SE(3)-äquivarianten, geometrie-kompletten Tokenizer, der Protein-Backbones in ein diskretes Vokabular von 4.096 Token umwandelt und dabei Chiralität sowie Orientierung bewahrt, wodurch eine erstklassige Rekonstruktionsgenauigkeit, robuste Zero-Shot-Generalisierung und signifikant schnellere Inferenzgeschwindigkeiten im Vergleich zu früheren Methoden erreicht werden.
Diese Studie zeigt auf, dass das AlphaGenome-Modell zwar die Variation der Chromatin-Zugänglichkeit effektiv vorhersagt, indem es die lokale regulatorische Grammatik erfasst, jedoch bei der Vorhersage der Genexpressionsvariation signifikant unterperformt, da die Modellierung der für interindividuelle Unterschiede erforderlichen weitreichenden regulatorischen Integration eine Herausforderung darstellt.
MLMarker ist ein interpretierbares maschinelles Lernframework, das ein auf gesundem Gewebe trainiertes Random-Forest-Modell nutzt, um kontinuierliche Ähnlichkeitswerte zu berechnen und Gewebeursprünge in komplexen Proteomikdaten zu identifizieren, einschließlich spärlicher Biofluidproben und metastatischer Tumore.