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 zeigt, dass bei der maschinellen Lern-gestützten Raman-Spektroskopie zur Klassifizierung biologischer Proben nicht die Wahl des Algorithmus, sondern vor allem die Datenqualität, spektrale Ähnlichkeiten und die instrumentelle Standardisierung die entscheidenden Faktoren für die Genauigkeit darstellen.
Diese Studie zeigt, dass in der Vorhersage von Enzym-Substrat-Interaktionen häufig verwendete Datensätze und darauf trainierte Modelle durch Informationslecks verzerrte Leistungsangaben aufweisen, die bei Entfernung der Lecks auf ein zufälliges Niveau absinken.
Das Paper stellt MolX vor, einen geometrischen Grundmodell auf Basis von Graph-Transformern, der durch das gemeinsame Lernen von 3D-Strukturen und chemischen Eigenschaften von über 3 Millionen Protein-Taschen und 5 Millionen Molekülen einen neuen Maßstab für die präzise Vorhersage und Interpretation von Protein-Ligand-Wechselwirkungen in der Wirkstoffentwicklung setzt.
Das Paper stellt DIME vor, ein neuartiges Deep-Learning-Framework, das durch eine hybride Ausrichtungsstrategie und Graph-Contrastive-Learning eine robuste Integration von räumlichen Multi-Omics-Daten aus unalignierten seriellen Schnitten ermöglicht, ohne dass eine gemeinsame Merkmalsbasis vorausgesetzt wird.
Das Paper stellt SpatialCompassV (SCOMV) vor, ein computergestütztes Werkzeug, das die räumliche Verteilung von Genen und Zelltypen in Tumoren durch Vektoranalyse erfasst, um neue Muster zu klassifizieren und räumlich differenzielle Gene zu identifizieren, ohne auf vorherige biologische Annotationen angewiesen zu sein.
LRSomatic ist eine hochskalierbare und robuste Nextflow-Pipeline, die eine umfassende somatische Variantenanalyse (SNVs, Indels, strukturelle Varianten und Kopienzahlveränderungen) sowie die Integration epigenetischer Daten aus PacBio HiFi- und ONT-Langlese-Daten ermöglicht und dabei sowohl in Referenzstudien als auch in klinischen Anwendungsfällen state-of-the-art-Ergebnisse liefert.
Die Studie stellt ARBORIST vor, eine Methode, die mittels variationeller Inferenz Tumor-Phylogenien aus Bulk-DNA-Sequenzierung priorisiert, indem sie diese mit Low-pass-Einzell-DNA-Sequenzierungsdaten integriert, um die Rekonstruktion der Tumorevolution zu verbessern.
Die Studie zeigt, dass Oxford Nanopore-Sequenzierung dank verbesserter Genauigkeit nun eine direkte, fehlerfreie Amplicon-Sequence-Varianten-(ASV)-Auflösung von 250 bis 4.200 bp ermöglicht und damit eine zuverlässige Analyse komplexer mikrobieller Gemeinschaften ohne Abhängigkeit von Referenzdatenbanken erlaubt, wobei jedoch für längere Amplicone eine deutlich höhere Sequenziertiefe als bei PacBio erforderlich ist.
Die Studie stellt ESMRank vor, einen prädiktiven Algorithmus, der durch die Überlappung heterogener experimenteller Daten eine übertragbare Hierarchie der mutationalen Restriktion in Proteinen ableitet und damit präzise, mechanistisch interpretierbare Vorhersagen für die Wirkung von Varianten ermöglicht.
Die Autoren stellen eine random-matrix-theorie-gestützte Methode vor, die durch einen neuartigen Biwhitening-Algorithmus und eine automatische Sparsitätsauswahl die Interpretierbarkeit der PCA mit der Robustheit spärlicher PCA für die Analyse verrauschter Einzelzell-RNA-Sequenzierungsdaten verbindet und dabei bestehende Verfahren in Rekonstruktion und Zellklassifizierung übertrifft.