1250 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.
Dit artikel introduceert MultiAMP, een geavanceerd framework dat sequentie- en structurele informatie op meerdere schalen integreert om antimicrobiële peptiden nauwkeuriger te voorspellen, nieuwe kandidaten te ontdekken en rationeel te ontwerpen, waarmee het de bestaande methoden significant overtreft.
Dit artikel introduceert 'spatial mechanomics', een nieuw raamwerk en open-source platform genaamd MechScape dat het mogelijk maakt om op weefselniveau gedetailleerde mechanische kaarten te maken en deze te integreren met multi-omics data om ruimtelijke heterogeniteit en ziektegerelateerde veranderingen in dierlijk hartweefsel te onthullen.
Dit paper introduceert TOASTER, een methode voor topologische data-analyse die de associatie tussen continue ruimtelijke eiwitexpressie en patiëntuitkomsten test zonder afhankelijk te zijn van foutgevoelige celsegmentatie, waardoor de statistische power wordt verbeterd en toepassing mogelijk is op data met beeldtekorten.
In deze studie wordt AbiOmics gepresenteerd als een end-to-end machine learning-pijplijn die gebruikmaakt van transcriptomische data om vier soorten abiotische stress bij planten nauwkeurig te onderscheiden en te detecteren, zelfs bij gecombineerde stresssituaties.
Dit paper introduceert MAP, een kennisgedreven raamwerk dat een groot kennisgrafiek en contrastief leren combineert om de reactie van cellen op ongeprofileerde medicijnen succesvol te voorspellen door biologische mechanismen te integreren in een uniek inbeddingsruimte.
Dit artikel introduceert CO_SCPLOWILANTROC_SCPLOWO_SCPCAP-C_SCPCAPO_SCPLOWSLC_SCPLOW, een grafiekvrij raamwerk dat voorgeprende biologische foundation modellen en conformale voorspelling combineert om synthetische lethaliteit met gekalibreerde onzekerheid te voorspellen zonder afhankelijk te zijn van PPI-netwerken of GO-annotaties.
In deze studie wordt DENcode geïntroduceerd, een robuust model dat genomische haplotype-data combineert met epidemiologische parameters om de waarschijnlijkheid van vector-gemedieerde transmissie tussen dengue-gevallen te schatten en zo waardevolle inzichten biedt voor de bestrijding van de ziekte.
Dit artikel introduceert een autonoom AI-framework dat kennisgrafieken en grote taalmodellen integreert om via een innovatieve 'focal graph'-structuur grote biomedische datasets te analyseren en zo schaalbare, transparante hypotheses voor de medicijnontdekking te genereren.
Cuttlefish 3 is een nieuwe, parallelle algoritme-gebaseerde tool in C++17 die de constructie van gekleurde gecomprimeerde de Bruijn-graafstructuren voor grote genomische datasets aanzienlijk versnelt door drie innovaties te combineren, waardoor het tot 4 keer sneller is dan de huidige state-of-the-art tool GGCAT.
Dit paper introduceert BioMiner, een multi-modaal systeem dat geautomatiseerd bioactiviteitsdata uit literatuur haalt door semantische interpretatie te scheiden van chemische structuurconstructie, en valideert deze aanpak middels een nieuw benchmarkdataset met aanzienlijke verbeteringen in efficiëntie en nauwkeurigheid voor drugontdekking.