1250 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 논문은 고정된 국소 IC-POVM 의 시간 분해 측정 데이터를 기반으로 양자 해밀토니안 학습 프레임워크를 제안하고, 이를 유전자 발현 모델 (QHGM) 에 적용하여 유전자 조절 네트워크를 효율적으로 추론하는 새로운 방법론과 Glioblastoma 데이터에 대한 실증적 결과를 제시합니다.
이 논문은 대규모 생체 영상 데이터의 확장 가능하고 재현성 있는 분석을 위해 OME-Zarr 네이티브 워크플로우를 정의하고 구현하는 'Fractal' 생태계를 소개하며, 이를 통해 다양한 생물학적 연구 및 임상 환경에서 FAIR 원칙에 부합하는 표준화된 처리 프레임워크를 제시합니다.
이 논문은 알츠하이머병 데이터를 통해 검증된, 초고속 오픈 서치와 정밀한 타겟 분석 및 머신러닝 기반 통계 모듈을 결합하여 질병 관련 당단백질 변이체를 대규모로 신속하게 식별하는 새로운 고처리량 당단백질학 플랫폼 'GDAS'를 제안합니다.
본 연구는 자동화된 필터링과 선형 RNA 정보를 고려한 정규화 전략이 원형 RNA 차등 발현 분석의 민감도와 재현성을 크게 향상시켜 보다 신뢰할 수 있는 바이오마커 발견을 가능하게 함을 규명했습니다.
이 논문은 openSNP 데이터셋의 80 가지 이분형 표현형을 대상으로 다양한 머신러닝, 딥러닝 알고리즘 및 다유전자 위험 점수 도구의 성능을 벤치마크하여, 표현형에 따라 머신러닝이 더 우세하거나 전통적인 도구가 더 우수한 경향이 있음을 규명했습니다.
이 논문은 Allen 뇌과학 연구소 등 다양한 기관에서 생성된 고品質 뇌 세포 유형 참조 데이터베이스에 맞춰 단일 세포 오믹스 데이터를 효율적으로 매핑하고 주석을 부여할 수 있는 오픈소스 프레임워크인 'MapMyCells'를 소개합니다.
이 논문은 단일 세포 프로테오믹스 데이터의 결측치 보정 없이도 배치 효과를 극복하고 순환 분석을 피하면서 세포 유형을 정확하게 분류할 수 있는 새로운 머신러닝 파이프라인 'NIFty'를 제안합니다.
이 논문은 아미노산 서열, 3 차원 구조, 그리고 생화학적 기능에 대한 텍스트 설명이라는 세 가지 모달리티를 통합하여 단백질 표현 학습을 수행하는 새로운 프레임워크인 CLASP 를 제안하고, 이를 통해 기존 최첨단 모델보다 우수한 제로샷 분류 및 검색 성능을 입증했습니다.
anndataR 는 Python scverse 생태계에서 널리 사용되는 H5AD 파일 형식을 R 에서 직접 읽고 쓰며 SingleCellExperiment 나 Seurat 객체와 상호 변환할 수 있게 함으로써, 단일 세포 전사체학 분야에서 R 과 Python 간의 상호 운용성을 크게 향상시킵니다.
이 논문은 인간 및 포유류 감염 바이러스를 예측하기 위해 기존 데이터를 두 배로 확장하고 표준화한 새로운 데이터셋을 제시하며, 계통 발생적 거리가 줄어들 때 예측 성능이 향상되지만 완전히 새로운 바이러스에 대한 일반화 가능성은 여전히 의문시된다는 결과를 보고합니다.