Die Zellbiologie erforscht die winzigen Bausteine des Lebens, aus denen jede Pflanze und jedes Tier besteht. In diesem Bereich verstehen Wissenschaftler, wie Zellen funktionieren, sich teilen und miteinander kommunizieren, was fundamentale Einblicke in Gesundheit und Krankheit ermöglicht. Auf Gist.Science machen wir diese komplexen Entdeckungen für ein breites Publikum zugänglich, indem wir die neuesten Erkenntnisse aus der Forschung direkt in verständliche Sprache übersetzen.

Unsere Redaktion bearbeitet jeden neuen Preprint in dieser Kategorie, der auf bioRxiv veröffentlicht wird. Für jedes Papier erstellen wir sowohl eine detaillierte technische Zusammenfassung für Fachleute als auch eine einfache Erklärung für interessierte Laien. So bleiben Sie stets auf dem neuesten Stand, ohne sich durch schwer verständliches Fachvokabular quälen zu müssen.

Im Folgenden finden Sie die aktuellsten Arbeiten aus dem Bereich der Zellbiologie, die wir für Sie aufbereitet haben.

📄 cell biology

cloneXplorer: A high-throughput clone discovery platform based on conical microwell arrays

Das Paper stellt cloneXplorer vor, eine Hochdurchsatz-Plattform, die konische Mikrowell-Arrays nutzt, um die Proliferation und Zytokinsekretion einzelner Zellen zu überwachen, was die effiziente Entdeckung, Isolierung und Expansion seltener antigen-spezifischer T-Zellen direkt aus dem peripheren Blut ermöglicht.

Stadler, G. K., Tkachenko, E., Neri, O., Zakharov, M., Zohar, O., Deng, D. X., Paraiso, K. D., Rajaei, H., Steele, S., S (…)2026-01-20
📄 cell biology

Likelihood-Based Identification of Cell Division Mechanisms

Diese Arbeit präsentiert ein neuartiges, auf Likelihood basierendes Framework, das analytische Modellierung mit der neuronalen Netzwerkapproximation von First-Passage-Time-Verteilungen kombiniert, um bakterielle Zellteilungmechanismen (Sizer vs. Adder) statistisch zu identifizieren und zu unterscheiden, wobei erstmals nachgewiesen wird, dass diese zugrunde liegenden Kontrollstrategien aus Linienendaten identifizierbar sind.

Teichner, R., Meir, R., Brenner, N.2026-01-20
📄 cell biology

Inefficient autophagosome formation limits the temporal dynamics of OPTN-mediated mitophagy in neurons

Diese Studie zeigt auf, dass die ineffiziente Autophagosomenbildung als geschwindigkeitsbestimmender Schritt in der neuronalen Mitophagie fungiert, was zu einer signifikant langsameren Clearance beschädigter Mitochondrien im Vergleich zu nicht-neuronalen Modellen führt und potenziell zur neuronalen Vulnerabilität bei neurodegenerativen Erkrankungen beiträgt.

Green, J. R., Gooden, M. K., Ojo, A. E., Kalejaiye, T. D., Evans, C. S.2026-01-20
📄 cell biology

Coordinated chromosome motion emerges from mechanical coupling mediated by the physical spindle environment

Diese Studie zeigt, dass die koordinierte Chromosomenbewegung während der Metaphase eine emergente mechanische Eigenschaft ist, die aus der viskoelastischen Spindelumgebung resultiert, wobei Mikrotubuli und Chromatin die Kraftübertragung und -abstimmung durch stochastische mechanische Kopplung anstatt durch direkte regulatorische Signalgebung ermöglichen.

Zhu, J., Bloom, K., Nazockdast, E., Maddox, P.2026-01-20
📄 cell biology

Quantitative Expansion Microscopy for In Situ Estimation of Endogenous Target Abundance

Diese Arbeit stellt die quantitative Expansionsmikroskopie (qExM) vor, eine kryofixierte Methode, die molekulares Decrowding nutzt, um die endogene Proteinabundanz in situ präzise zu schätzen, wobei ein mittlerer Fehler von 9,4 % bei der Benchmarkung von Kernporenkomplexen erreicht und die Quantifizierung von mitochondrialen Atmungskettenkomplexen in verschiedenen zellulären Kontexten ermöglicht wird.

Lycas, M. D., Landoni, J. C., Noferi, B., Zimmerli, C. E., Douglass, K. M., Manley, S.2026-01-20
📄 cell biology

MorphoLearn: A morphology-driven workflow to decipher 3D electron microscopy segmentation in diatoms

Dieses Paper stellt MorphoLearn vor, ein morphologiegesteuertes KI-Framework, das eine skalierbare und präzise 3D-Segmentierung diverser Diatomeen-Ultrastrukturen aus FIB-SEM-Daten ermöglicht, indem es leichte neuronale Netzwerke optimiert, Transferlernen nutzt und grenzbewusste Strategien anwendet, um den Herausforderungen durch hohe morphologische Variabilität und begrenzte Annotationen zu begegnen.

Uwizeye, C., Flori, S., Angulo, J., Jouneau, P.-H., Gallet, B., Estrozi, L. F., Albanese, P., Finazzi, G.2026-01-15