1180 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.
이 연구는 메타게놈 조립된 게놈(MAG)의 빈닝(binning) 전 단계에서 종간 키메라 컨티그(interspecies chimeric contigs)를 탐지하고 교정하는 딥러닝 도구인 DeepMM을 소개하며, 이를 통해 표준 마커 기반 품질 관리에서 흔히 놓치는 레퍼런스 불일치 유전자 및 독성 인자 주석 문제를 유의미하게 감소시킨다.
이 논문은 벡터 근사 메시지 전달(Vector Approximate Message Passing)과 와이불(Weibull) 모델에 기반한 새로운 완전 파라메트릭 베이지안 방법인 vampW를 소개하며, 이는 상관관계가 있는 멀티오믹스 바이오마커와 사건 발생 시간 데이터를 효과적으로 결합 모델링함으로써 위양성 발견을 유의미하게 줄이고 질병 발생 예측을 개선하여 기존의 주변 검정 및 기타 결합 모델보다 우수한 성능을 보입니다.
본 연구는 업데이트된 공공 데이터를 사용하여 쥐의 경구 LD50 및 28개의 다른 엔드포인트에 대한 정확성을 검증하기 위해 2003년의 최근린 이웃 독성 예측 방법을 재검토하며, 동시에 화합물의 구조적 도달 범위를 단백질 패밀리 전반에 걸쳐 측정하는 역스크리닝 접근 방식이 표준 물리화학적 성질을 넘어선 다중 결합성을 포착함으로써 독성 예측을 유의미하게 향상시킨다는 점을 입증한다.
DNA-LLM2Vec은 방향성 디코더 기반의 DNA 파운데이션 모델을 양방향 인코더로 변환하는 단계적 프레임워크를 도입하며, 다운스트림 유전체 작업에 대한 최적의 적응 전략이 특정 작업 구조와 기저의 모델 아키텍처 모두에 달려 있음을 입증한다.
이 논문은 구조 우선 방식의 통합된 케미노인포매틱스 및 구조 워크플로우를 통해 실험적으로 규명된 E3 리가아제-리크루터 복합체의 비교 분석을 가능하게 함으로써 후속 디그레이더 설계를 용이하게 하는, 자유롭게 접근 가능한 구조 우선 웹 플랫폼인 E3 Ligase Ligandalyzer를 소개한다.
저자들은 PLIP과 같은 기존 도구들보다 더 높은 정확도와 속도로 구조 좌표로부터 아홉 가지 유형의 단백질-리간드 비공유 결합 상호작용을 직접 검출하고 시각화하며, 금속 배위 및 거대 고리 리간드와 같은 복잡한 사례에 대해 향상된 범위를 제공하는 무료 자동화 도구인 NCI-Profiler를 제시한다.
이 연구는 AlphaFold3가 학습 데이터로부터 배움을 통해 본질적 무질서 단량체(intrinsically disordered monomers)를 신뢰성 있게 예측하는 반면, 그 멀티머(multimer) 예측은 입력 정보를 압도하는 경직된 구조적 사전 지식(structural priors)으로 인해 예측 불가능한 상태로 남아 있음을 밝히며, 단순한 구조적 혁신을 넘어 무질서가 풍부한 데이터셋과 앙상블 샘플링의 결정적인 필요성을 강조한다.
LOCALE는 서열 검색을 변이 허용 임베딩을 생성하도록 InfoNCE로 학습된 인코더를 사용하는 밀집 검색(dense retrieval)으로 재구성함으로써, 페타베이스 규모의 저장소 전반에 걸쳐 정확도와 확장성 측면에서 최신 k-mer 인덱스 및 기존 임베딩 방식들을 크게 능가하는 노이즈에 강건한 DNA 검색 프레임워크를 도입한다.
VirtualSkin은 피부 세포의 정체성과 중재 반응 예측을 성공적으로 통합하여, 염증성 피부 상태를 주석 달고 다양한 질병, 해부학적 부위 및 섭동에 따른 세포 반응을 예측하는 데 있어 향상된 정확도를 입증한 세포 언어 모델이다.
본 연구는 언어 모델이 이온화 가능한 지질의 예산 기반 분자 탐색을 개선하는지 평가하기 위해 LEAF 프레임워크를 도입하며, 증거 참여의 정도는 다양함에도 불구하고 제로샷 LLM 제안자들이 높은 중복률과 실질적인 성능 향상의 부재로 인해 유전 알고리즘과 같은 고전적 베이스라인을 능가하지 못한다는 것을 밝혀냈다.