💻 Category

bioinformatics

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.

💻 bioinformatics

PHoNUPS: Open-Source Software for Standardized Analysis and Visualization of Multi-Instrument Extracellular Vesicle Measurements

PHoNUPS ist ein kostenloses, quelloffenes, auf R basierendes Software-Tool, das zur Standardisierung der Analyse und Visualisierung von extrazellulären Vesikel-Daten aus verschiedenen Instrumenten entwickelt wurde, indem es diverse Dateiformate in publikationsreife Statistiken, Histogramme und Konturplots vereinheitlicht, um die Reproduzierbarkeit und die Einhaltung der MISEV-Berichtsstandards zu verbessern.

Melykuti, B., Bustos-Quevedo, G., Prinz, T., Nazarenko, I.2026-02-02
💻 bioinformatics

Quantum and Classical Graph Convolutional Neural Networks for Protein Ligand Dissociation Constant Prediction

Dieses Paper stellt ein hybrides quanten-klassisches Graph-Neurales-Netzwerk vor, das kurzfristige Molekulardynamiksimulationen und variationale Quantenschaltkreise integriert, um die Genauigkeit und Parametereffizienz bei der Vorhersage von Protein-Ligand-Dissoziationsraten für das Wirkstoffdesign signifikant zu verbessern.

Salamatov, A., Bai, J., Atluri, G., Guan, C.2026-02-01
💻 bioinformatics

BiomarkerKB: An Integrated Knowledgebase Supporting Biomarker-Centric Exploration of Biomedical Data

BiomarkerKB ist eine umfassende, FAIR-konforme Wissensdatenbank und graphbasierte Plattform, die über 200.000 Biomarker-Krankheits-Assoziationen aus diversen Quellen in einem standardisierten Rahmen harmonisiert, um eine reproduzierbare Exploration und Entdeckung in der Präzisionsmedizin zu ermöglichen.

Masood, D., Kim, M., Vora, J., Kahsay, R., McNeeley, P., Kim, S., Kulkarni, S., Natale, D. A., Ramachandran, S., Gupta (…)2026-02-01
💻 bioinformatics

How different AI models understand cells differently

Das Paper stellt scGeneLens vor, ein Framework, das aufzeigt, wie verschiedene Single-Cell-Foundation-Modelle (scFMs) wie scFoundation und scGPT eine unterschiedliche „pluralistische“ Wahrnehmung von Zellen entwickeln, indem sie entweder Zelltyp-Marker-Gene oder gemeinsame biologische Signalwege priorisieren, und dadurch handlungsorientierte Erkenntnisse für das zukünftige Modelldesign bietet.

Zhao, Y., Sun, D., Hao, M., Xiong, Y., Li, C., Gong, T., Wei, L., Zhang, X.2026-01-30
💻 bioinformatics

scTREND: An annotation-free single-cell time-resolved and condition-dependent hazard model

Das Paper stellt scTREND vor, ein annotationsfreies computergestütztes Framework, das Einzelzell-Transkriptomik mit klinischen Ergebnissen integriert, um zeitvariante, zustandsabhängige zelluläre Hazard-Raten zu modellieren und somit eine dynamische Risikobewertung über diverse Krankheiten sowie räumliche oder Bulk-Datenmodalitäten hinweg zu ermöglichen, ohne dass vordefinierte Zelltyp-Labels erforderlich sind.

Yuki, S., Mizukoshi, C., Abe, K., Shimamura, T.2026-01-29
💻 bioinformatics

Organ-specific prioritization and annotation of non-coding regulatory variants in the human genome

Die Autoren präsentieren TLand, eine neuartige Machine-Learning-Architektur, die auf der RegulomeDB-Datenbank aufgebaut ist und bestehende Modelle bei der Vorhersage und Priorisierung zell- und organspezifischer nicht-kodierender regulatorischer Varianten übertrifft und dadurch die Interpretation von GWAS-assoziierten SNPs über das gesamte menschliche Genom hinweg verbessert.

Zhao, N., Sherpa, R. N., Dong, S., Howcroft, K. B., Boyle, A. P.2026-01-28