1210 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 'Guided Tokenization' en domeinadaptatie als effectieve strategieën om biologische kennis te integreren in compacte genomische taalmodellen, waardoor de prestaties verbeteren voor diverse taken zoals DNA-classificatie en antimicrobiële resistentie.
Dit artikel toont aan dat open-weight grote taalmodellen, in combinatie met API-retrieval en semantische filtering, de automatische curatie van metadata uit openbare levenswetenschappelijke databases aanzienlijk kunnen verbeteren en zo de herbruikbaarheid van deze datasets bevorderen.
In dit artikel wordt Wayfarer gepresenteerd, een multischaalframework voor ruimtelijke -omics dat de evolutie van ruimtelijke associatiemetrieken over geneste aggregaties volgt om biologische processen zoals tumorprogressie beter te analyseren dan traditionele methoden op één schaal.
Het artikel introduceert SCiMS, een nauwkeurig en schaalbaar bioinformatica-tool dat de sekse van een gastheer kan voorspellen uit metagenomische sequenties, zelfs bij zeer lage hoeveelheden gastheer-DNA, waardoor ontbrekende sekse-metadata in microbioomstudies kan worden hersteld.
Deze studie introduceert DEFT, een hybride machine learning-methode die sequentie- en structuurgebaseerde benaderingen combineert om enzymen nauwkeuriger te classificeren en zo de functionele diversiteit van darmbacteriën die mucine-O-glycanen afbreken, efficiënt in kaart te brengen.
Deze paper introduceert een entiteit-gebalanceerd evaluatiekader en de model-onafhankelijke trainingsstrategie UnbiasNet om shortcut-bias in multi-input biologische associatievoorspelling te neutraliseren, waardoor eerlijkere prestatiebeoordelingen en robuustere modellen voor taken zoals drug-doelwijn-interacties en synergievoorspelling mogelijk worden.
Dit onderzoek toont aan dat een nieuw prefix-gebaseerd downsampling-algoritme, gecombineerd met ensemble-leermethoden, effectief is voor het voorspellen van bacteriële fenotypes op basis van gereduceerde k-mer-representaties, waardoor complexe deep learning-modellen kunnen worden vervangen en de interpretatie van gen-phenotype-relaties wordt vergemakkelijkt.
Dit paper introduceert PIGLET, een nieuwe grafische transformer-methode voor het voorspellen van geneesmiddel-doelwijn-interacties die, in tegenstelling tot bestaande modellen, superieure prestaties behaalt op een strengere, op geneesmiddelen gebaseerde validatie en succesvol wordt toegepast in een reële casestudy voor geneesmiddelenontwikkeling.
Deze paper introduceert de ICI-Kt-methode, die links-gecensureerde ontbrekende metabolomics-data interpreteert als waardevolle informatie om zo de correlatieberekening, outlier-detectie en netwerkbouw te verbeteren.
Dit artikel introduceert ProteomeLM, een taalmodel dat op het niveau van volledige proteomen werkt en zonder supervisie interacties tussen eiwitten kan voorspellen, terwijl het ook geavanceerde, gesuperviseerde modellen biedt voor het nauwkeurig en snel voorspellen van eiwitinteracties en gen-essentialiteit over diverse soorten heen.