1197 편의 논문
생물학 데이터의 거대한 바다를 해석하는 열쇠가 바로 생물정보학입니다. 이 분야는 방대한 유전체 정보를 컴퓨터 과학과 통계학으로 연결하여 생명 현상을 이해하는 새로운 방식을 제시합니다. 복잡한 DNA 서열이나 단백질 구조를 단순히 나열하는 것을 넘어,这些数据가 실제로 어떤 의미를 지니는지 찾아내는 과정이 핵심입니다.
Gist.Science 는 bioRxiv 에 매일 올라오는 최신 생물정보학 프리프린트들을 면밀히 검토합니다. 우리는 전문가가 작성한 기술적 요약을 제공함과 동시에, 비전문가도 쉽게 이해할 수 있는 평이한 설명을 함께 준비하여 연구의 핵심을 명확하게 전달합니다.
아래에는 bioRxiv 에서 선별된 최신 생물정보학 연구 논문들이 나열되어 있습니다.
RegimeFormer는 2억 개 이상의 서열로 구성된 관련 RegimeAtlas 데이터베이스를 통해 전역적 섭동 레짐(perturbation regimes)을 구축함으로써 잔기 수준의 돌연변이 효과를 예측하고, 특히 미지의 단백질 및 단백질 가족에 대한 다운스트림 생물학적 모델링을 개선하는 대규모 단백질 모델이다.
이 논문은 대규모 시퀀스 검색을 효율적으로 수행하기 위해 부분 재구축(partial rebuilding)을 통해 최신 기술인 HIBF를 확장한, 확장 가능하고 업데이트 가능한 인덱싱 구조인 Dynamic Hierarchical Interleaved Bloom Filter를 소개하며, 100TB 이상의 RNA-Seq 데이터를 인덱싱하는 능력과 경쟁 도구들보다 24배에서 65배 더 빠르게 새로운 샘플을 삽입할 수 있는 성능을 입증한다.
Vipsania는 고품질의 학습 데이터를 필요로 하고 멀거나 기저에 있는 분기군에서 어려움을 겪는 지도 학습 방식의 한계를 극복하기 위해, 주석이 달리지 않은 서열로부터 직접 학습함으로써 다양한 진핵 게놈 전반에 걸쳐 단백질 코딩 유전자 구조를 정확하게 예측하는 최초의 비지도 딥러닝 도구이다.
PhageTransformer는 수천 개의 독립적인 파지-숙주 쌍에 대한 우수한 성능을 통해 입증된 바와 같이, 박테리오파지에 대해 확장 가능하고 정확하며 신속한 숙주 예측을 제공함으로써 기존 도구들의 한계를 극복하는 딥러닝 모델이다.
이 논문은 자기지도 학습과 계층적 클러스터링을 사용하여 표본 이미지로부터 운영 생물다양성 단위를 직접 도출함으로써, 공식적인 분류학적 라벨이나 광범위한 학습 데이터가 없는 상황에서도 종 다양성을 정확하게 정량화하고 형태학적 패턴을 발견할 수 있게 하는 AI 기반 프레임워크인 morphOTU를 소개한다.
이 논문은 이전에 모델링되지 않았던 리엔트런트(re-entrant) 영역과 계면 헬릭스(interfacial helices)를 포함하여 정확한 막 관통 위상 예측과 17개 생물학적 막에 걸친 세포 내 위치 추정을 동시에 달성하며 단백질체 전반에 걸친 비관통 세그먼트의 광범위한 존재를 밝혀내는 새로운 예측기인 DeepTMHMM2를 소개한다.
본 연구는 광범위한 COSMIC 돌연변이 데이터를 통합하여 특화된 펩타이드 저장소를 구축함으로써, 표준적인 정준 단백질 데이터베이스에서는 일반적으로 누락되는 암 관련 돌연변이 펩타이드의 질량 분석 기반 식별을 가능하게 하는 업데이트된 XMAn 데이터베이스를 제시한다.
본 논문은 횡단적 신장암 데이터로부터 합성 종단적 궤적을 생성하기 위한 변이형 오토인코더와, 딥러닝의 정확도를 유지하면서도 기저의 분자 기전에 대한 투명하고 인간이 읽을 수 있는 통찰을 제공하는 상징적 규칙 유도 시스템을 결합하여, 질병 진행에 대한 해석 가능한 확률적 예측을 생성하는 하이브리드 프레임워크를 제시한다.
HIDE-Deconv는 폐선암 및 패혈증과 같은 질병에서 생물학적으로 유의미한 세포 재구성을 밝히기 위해 여러 해상도 수준에 걸쳐 세포 구성 추정치를 공동 최적화함으로써 기존의 단일 해상도 방법들보다 뛰어난 성능을 보이는 오픈 소스 계층적 디컨볼루션 프레임워크입니다.
이 논문은 계통 발생적 맥락을 통합하여 바이러스 변이 패턴과 계통 특이적 진화 궤적을 정확하게 예측함으로써 실험적 기능적 제약 조건과 강력한 일치성을 입증하는 트리 인식 조건부 언어 모델인 evoPLM-Tree를 소개한다.