1197 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.
BioMod is een single-cell fundatiemodel met 50 miljoen parameters dat de efficiëntie van representatie en prestaties verbetert door cellen te tokeniseren in biologisch betekenisvolle overlappende modules in plaats van individuele genen, waarbij het de beste resultaten behaalt in taken zoals celtype-annotatie en perturbatievoorspelling, terwijl het efficiënte inferentie op een enkele GPU mogelijk maakt.
Dit artikel introduceert een uitlegbaar Gaussian random field-raamwerk voor de meervoudige imputatie van longitudinale compositionele data dat effectief ontbrekende monsters, temporele afhankelijkheden en zero-inflatie afhandelt, waarbij het nut ervan bij het reconstrueren van trajecten van het darmmicrobioom aantoont om voorspellingen voor voedselallergie en postpartum depressie te verbeteren.
AmyloCore-ML is een nieuwe sequentiegebaseerde voorspeller die gebruikmaakt van embeddings van eiwittaalmodellen, in het bijzonder ESM-2, om structureel opgeloste amyloïde fibrielkernregio's nauwkeurig te identificeren, waarbij het bestaande tools zoals CrossBeta en AggrescanAI overtreft.
Deze studie presenteert MtbAIM, een door AI/ML gedreven platform dat diverse moleculaire representaties en boomgebaseerde algoritmen gebruikt om de activiteit en de minimale remmende concentraties van kleine moleculen tegen zowel geneesmiddelgevoelige als geneesmiddelresistente *Mycobacterium tuberculosis*-isolaten nauwkeurig te voorspellen.
De auteurs presenteren een verbeterde, alignment-vrije versie van de Xengsort-tool die een efficiënte en nauwkeurige scheiding van DNA-reads per soort mogelijk maakt voor epigenetische profilering van patiënt-afgeleide xenograft-modellen, waarbij zij bestaande methoden overtreft in computationele efficiëntie.
Dit artikel heroverweegt een model uit 1998 voor menselijke intestinale absorptie door aan te tonen dat de oorspronkelijke prestaties berustten op een gelukkige dataspit, en vestigt vervolgens robuustere, op consensus gebaseerde voorspellende modellen voor intestinale absorptie en diverse permeabiliteitsassays met behulp van genetische algoritme-geselecteerde descriptor-sets en random forests over 250 gestratificeerde extracties.
GenDiMug is een nieuw multigrafenframework dat de beperkingen van lineaire genoomrepresentaties overwint door netwerkmodellen te gebruiken om multi-omics data te integreren en de genomische organisatie over meerdere schalen te analyseren, waardoor structurele patronen zoals clustering van genexpressie en circadiane regulatie worden onthuld.
Deze studie maakt gebruik van een geïntegreerde *in silico* subtractieve genomics en reverse vaccinology workflow om de buitenmembraaneiwitten OMP47 en LptD te identificeren als dubbeldoelwit voor zowel medicijnen als vaccins tegen *Pasteurella multocida* Pm70, wat culmineert in het ontwerp van een veilig, hoogantigene multi-epitope vaccinconstruct.
Het artikel introduceert kitAb, een open-source, computationeel efficiënt framework dat 59 interpreteerbare descriptoren genereert voor schaalbare, assay-specifieke modellering van de ontwikkelbaarheid van antilichamen en systematische fysisch-chemische verschillen onthult over grootschalige natuurlijke en therapeutische antilichaamrepertoires.
Dit artikel introduceert ecEvol, een computationele methode die allelfrequentiespectra uit bulk-whole-genome sequencing analyseert om het tijdstip, de selectiedruk en de clonale dominantie van de opkomst van extrachromosomaal DNA (ecDNA) af te leiden, waarbij wordt onthuld dat vroege ecDNA-vorming gedreven door oncogenen correleert met een slechtere overleving van patiënten en dat ecDNA-dynamiek significant varieert tussen onbehandelde en gevorderde tumoren.