1012 papers
Bio-informatica is de fascinerende brug tussen biologie en datawetenschap. In dit veld helpen onderzoekers computers om enorme hoeveelheden biologische informatie te ontcijferen, van het decoderen van ons DNA tot het begrijpen hoe virussen muteren. Het is de motor achter veel moderne doorbraken in de gezondheidszorg en de ecologie, waarbij complexe patronen in levende systemen worden vertaald naar bruikbare inzichten.
Op Gist.Science maken we de nieuwste ontdekkingen in dit vakgebied toegankelijk voor iedereen. Wij verwerken elke nieuwe preprint die wordt gepubliceerd op bioRxiv, de belangrijkste bron voor nog niet-peer-reviewed onderzoek in de levenswetenschappen. Voor elk document bieden we zowel een duidelijke, alledaagse uitleg als een gedetailleerde technische samenvatting, zodat u snel de kern begrijpt zonder vast te lopen in jargon.
Hieronder vindt u de meest recente bijdragen uit de wereld van bio-informatica, zorgvuldig samengevat voor u.
PerturbLDM is een conditioneel latent diffusie-framework dat vooraf is getraind op de Tahoe-100M-dataset en bestaande methoden overtreft in het nauwkeurig voorspellen en genereren van enkelcel-transcriptionele reacties op ongeziene combinatie van medicijn, dosis en cellijn over diverse biologische contexten heen.
Dit artikel으로 toont aan dat het toepassen van conformal prediction op de BayesAge epigenetische klok de generatie van distributievrije, gekalibreerde voorspellingsintervallen mogelijk maakt voor de schatting van de op DNA-methylatie gebaseerde leeftijd met behulp van een minimale set CpG-sites, waardoor het gebrek aan onzekerheidskwantificering in bestaande punt-schattingmodellen wordt aangepakt.
Dit artikel toont aan dat de detectie van cryptische bindingsplaatsen momenteel niet wordt beperkt door het vermogen om kandidaten voor te stellen, maar door gebrekkige rangschikking en een gebrek aan consensus, waarbij wordt onthuld dat het scheiden van dekking van conversiemetrieken significante prestatiekloven blootlegt en aantoont dat het combineren van geometrische en op taalmodellen gebaseerde detectoren binnen een strikt kandidaatatbudget de meest praktische verbeteringen oplevert.
De auteurs introduceren ProtInt, een deep learning-framework dat er succesvol in slaagt proteomische gegevens van kankercellijnen en patiënttumoren te integreren door de uitdagingen rondom ontbrekende waarden te overwinnen, waardoor het bestaande methoden overtreft en cruciale biologische verschuivingen onthult die nodig zijn om preklinische modellen beter af te stemmen op de klinische realiteit.
Deze systematische benchmarkstudie onthult dat de keuze van de computationele methode, in plaats van de onderliggende biologie, de primaire determinant is van in silico perturbatie-resultaten, aangezien de meeste veelgebruikte benaderingen er niet in slagen causale transcriptiefactor-naar-pathway-signalen te detecteren en vaak conclusies produceren die in strijd zijn met experimentele CRISPRi-validatie.
Dit artikel toont aan dat cross-modale pretraining van een single-cell foundation model met proteomica-data superieure gen-niveau en cel-niveau representaties en een betere generalisatie oplevert dan het simpelweg opschalen van RNA-only modellen, wat de waarde van multimodale training boven louter parameter-opschaling benadrukt.
Dit artikel introduceert "sigRecon", een uitgebreid benchmarking-framework en een open-source R-pakket dat methoden voor het voorspellen van perturbatiesignaturen over diverse biologische contexten systematisch evalueert, waarbij wordt onthuld dat projectie- en netwerkgebaseerde benaderingen complexe deep learning-modellen vaak evenaren of overtreffen, terwijl de belangrijkste factoren die de cross-context generalisatie beïnvloeden worden belicht.
Cell-Hub is een gratis, open-source, op Docker gebaseerde grafische interface gebouwd op R/Shiny die end-to-end single-cell RNA-sequencing analyse democratiseert door geavanceerde tools zoals Seurat 5, CellChat 2 en Monocle 3 te integreren in een verenigd, no-code platform voor onderzoekers van alle computationele achtergronden.
Deze studie toont aan dat het gebruik van IUPAC-consensusreferenties met de ambiguïteitsbewuste aligner novoAlign de detectie van varianten in short-reads in klinisch uitdagende genomische regio's significant verbetert vergeleken met standaard lineaire referenties, terwijl het het open-source BurdenBench-framework introduceert om de caller-specifieke precisie-recall-afwegingen en het netto klinische voordeel beter te evalueren.
Het artikel introduceert "disize", een nieuwe RNA-seq normalisatiemethode die informatie over het experimentele ontwerp benut via een aangepast algemeen lineair gemengd model om groottefactoren nauwkeuriger te schatten en de daaropvolgende differentiële expressieanalyse te verbeteren, met name in uitdagende scenario's met wijdverspreide expressieveranderingen.