1207 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.
CellAwareGNN is een nieuw grafisch fundamenteel model dat single-cell genomica integreert in een uitgebreide kennisgrafiek om de nauwkeurigheid en biologische interpretatie van voorspellingen voor drughergebruik, met name bij auto-immuunziekten, aanzienlijk te verbeteren.
MetaTracer is een nauwkeurig, nucleotide-gebaseerd framework dat metatranscriptoomdata in één stap toewijst aan zowel bacteriële taxa en tot expressie gekomen genen, waardoor het mogelijk wordt om soortspecifieke transcriptie-activiteit in complexe microbiële gemeenschappen te analyseren.
Deze studie presenteert een interpreteerbaar, tijdsstratificatie-model dat transcriptomische veranderingen uit RNA-sequencing koppelt aan kwantitatieve veranderingen in kernmorfologie na blootstelling aan lage doses straling, met als doel de onderliggende biologische mechanismen te onthullen.
Cellects is een gebruiksvriendelijke, open-source software voor de geautomatiseerde kwantificatie van biologische groei, beweging en morfologie uit 2D-beeldgegevens, die zowel interactieve analyse via een grafische interface als uitgebreide aanpassing via een Python-API mogelijk maakt.
Deze paper introduceert DeepEST, een multimodaal deep learning-framework dat genexpressie, genlocatie en eiwitstructuur integreert om de functie van bacteriële eiwitten nauwkeuriger te voorspellen dan bestaande methoden.
Dit onderzoek toont aan dat het negeren van epistatische interacties in lineaire modellen voor genomische associatiestudies (GWAS) kan leiden tot vertekende teststatistieken en vals-positieve resultaten, wat voorzichtigheid vereist bij het interpreteren van bestaande bevindingen.
STELAR-X is een nieuw, statistisch consistent algoritme dat de schaalbaarheid van coalescentie-gebaseerde inferentie van soortbomen tot 100.000 soorten en meer mogelijk maakt door een herontworpen computerramwerk met compacte datastructuren en GPU-parallellisme, wat resulteert in aanzienlijk snellere verwerkingstijden en lager geheugengebruik dan bestaande methoden zoals ASTRAL.
Dit paper introduceert Protenix-v1, het eerste volledig open-source model dat AlphaFold3 overtreft door middel van inference-time schaling, uitgebreide RNA- en template-ondersteuning, en een grotere dataset, terwijl het tegelijkertijd de benchmarking-praktijken voor biomoleculaire structuurvoorspelling verbetert.
Dit onderzoek toont aan dat ontstekingsprocessen in de mond de microbiële gemeenschap herstructureren door koolhydraat-afhankelijke commensalen te vervangen door metabolisch aangepaste ontstekingsliefhebbers, wat een kader biedt voor microbiome-gerichte therapieën.
Deze studie toont aan dat genealogische schattingsfouten (GTEE) een sterkere negatieve invloed hebben op de nauwkeurigheid van soortenstambomen dan onvolledige lijnsortering (ILS), omdat GTEE uniforme ruis genereert die niet afneemt met meer genen, terwijl ILS een gestructureerde vertekening veroorzaakt.