⚛️ Category

biophysics

419 Arbeiten

Die Biophysik verbindet die Gesetze der Physik mit den Geheimnissen des Lebens, um zu verstehen, wie molekulare Maschinen in Zellen funktionieren oder wie Nervenimpulse entstehen. Auf Gist.Science machen wir die neuesten Erkenntnisse dieses faszinierenden Feldes für jeden zugänglich, indem wir komplexe Vorveröffentlichungen von bioRxiv in verständliche Inhalte verwandeln.

Jedes neue Preprint aus der Kategorie Biophysik wird von uns automatisch erfasst und sowohl in einer einfachen Zusammenfassung als auch in einer detaillierten technischen Analyse aufbereitet. So erhalten Sie einen direkten Einblick in aktuelle Forschung, ohne sich durch schwer verständliche Fachsprache kämpfen zu müssen.

Im Folgenden finden Sie die neuesten Beiträge aus der Biophysik, die wir für Sie zusammengestellt haben.

⚛️ biophysics

Advanced in High-Resolution Cryo Volume Electron Microscopy (cvEM) Imaging for Unicellular and Multicellular Organisms

Diese Studie stellt optimierte experimentelle Workflows vor, die durch Reduzierung von Probenvorbereitungsproblemen, Ladungsungleichgewichten und Strahlenschäden die Auflösung und Effizienz der hochauflösenden Kryo-Volumen-Elektronenmikroskopie (cvEM) für die 3D-Strukturaufklärung ganzer einzelliger und vielzelliger Organismen wie *Caenorhabditis elegans* und *Paramecium bursaria* erheblich verbessern.

Kobylynska, M., Nicholls, D., Broad, Z., Wells, J., Robinson, A. W., Marcotti, S., McGrouther, D., Ch'ng, Q., Esteban, G (…)2026-03-20
⚛️ biophysics

Non-Equilibrium Spatial Encoding of Nanoscale Mechanical Relaxation in Growing Plant Epithelial cells

Die Studie stellt ein physikbasiertes Inversionsverfahren vor, das dynamische Rasterkraftmikroskopie-Daten lebender Pflanzenzellen nutzt, um räumlich aufgelöste mechanische Felder zu rekonstruieren und eine modellunabhängige Beziehung zwischen Speicher- und Verlustmodul aufzudecken, die es ermöglicht, die lokale Relaxationszeit und damit die nichtgleichgewichtige Rheologie des Zellwandwachstums direkt zu bestimmen.

Kienast, J., Contera, S.2026-03-20
⚛️ biophysics

Large scale prospective evaluation of co-folding across 557 Mac1-ligand complexes and three virtual screens

Diese prospektive Studie bewertet die Leistungsfähigkeit von Deep-Learning-Co-Folding-Methoden wie AlphaFold3, Boltz-2 und Chai-1 an 557 neu bestimmten Mac1-Ligand-Komplexen und drei virtuellen Screens, wobei sich zeigt, dass diese Modelle zwar viele Ligandenposen akkurat vorhersagen, aber konformationelle Änderungen oft nicht erfassen und eine Kombination aus physikbasierten Docking-Scores und KI-gestützten Affinitätsvorhersagen die beste Strategie für das Hit-Prioritizing darstellt.

Kim, J., Correy, G. J., Hall, B. W., Rachman, M. M., Mailhot, O., Togo, T., Gonciarz, R. L., Jaishankar, P., Neitz, R. J (…)2026-03-18
⚛️ biophysics

Filament-resolved simulations reproduce self-organization of lamellipodia and filopodia

Die Autoren entwickelten ein filament-resolviertes Simulationsmodell, das zeigt, wie die Konzentrationen der Proteine Arp2/3 und Fascin durch stochastische Polymerisation, Verzweigung und Bündelung die Selbstorganisation von Aktin-Netzwerken in Lamellipodien, Filopodien und retikulierte Strukturen steuert und deren Einfluss auf die Zellmembranform erklärt.

Fukui, M., Kondo, Y., Saito, N., Naoki, H.2026-03-18