869 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.
VLab4Mic is een simulatieplatform dat de structurele oplosbaarheid van eiwitassemblages over diverse superresolutie-microscopiemodaliteiten voorspelt door de plaatsing van sondes en sterische beperkingen te modelleren, waardoor onderzoekers de experimentele haalbaarheid kunnen beoordelen voordat zij fysieke experimenten uitvoeren.
THEOBROMA is een openbare database die meer dan 1,13 miljoen natuurlijke producten uit 29 bronnen aggregeert en zich onderscheidt door licentiecontrole per verbinding, een driedelig classificatiesysteem en stereochemie-bewuste deduplicatie om licentieconforme virtuele screening en isomeerspecifieke bioactiviteitsanalyse mogelijk te maken.
De auteurs presenteren gemsparcl, een zeer schaalbare en efficiënte tool die meer dan 5,6 miljoen bacteriële genomen clustert in 92.954 genomische cohesieve eenheden op soortniveau in ongeveer 14 uur, waardoor computationele knelpunten worden overwonnen om een uitgebreide, referentievrije analyse van prokaryotische diversiteit en taxonomie mogelijk te maken.
Deze studie toont aan dat de biologische betekenis van embeddings van eiwittaalmodellen niet vaststaat maar resolutieafhankelijk is, waarbij verschillende uitlijningsniveaus met biologische hiërarchieën selectief onderscheidende organisatorische relaties behouden, zoals lidmaatschapsgrenzen, functionele groeperingen of lokale familiestructuren.
WitChi is een computationeel efficiënte tool die empirische chi-kwadraat-toetsing gebruikt om compositioneel vertekende sites uit grootschalige fylogenomische alignments te detecteren en iteratief te snoeien, waardoor nauwkeurige fylogenetische topologieën worden hersteld zonder de hoge computationele kosten van complexe compositiebewuste modellen.
Deze studie toont aan dat AlphaFold2 en ColabFold een zeer laag fout-positief percentage vertonen bij het voorspellen van structuren voor niet-proteïne sequenties, terwijl ze toevallig onthullen dat sommige hoog scorende voorspellingen in niet-coderende menselijke genomische regio's overeenkomen met voorheen niet-geannoteerde pseudogenen, wat suggereert dat er fouten kunnen zitten in bestaande gen-annotaties en de bruikbaarheid van hoog scorende structurele voorspellingen voor verder onderzoek valideert.
ADMETron is een door AI gedreven SaaS-platform dat RNN-afgeleide moleculaire embeddings integreert met gradient boosting machines om 34 ADMET-endpoints te voorspellen en beschikt over een interactieve radar grafiek visualisatietool, wat uitgebreide, hoog-doorvoersamenstelling-prioritering en datagestuurde besluitvorming in drug discovery mogelijk maakt.
MoE-Bind introduceert de eerste sparse Mixture-of-Experts-architectuur voor de novo generatie van eiwitbinders, waarmee een snellere, efficiëntere en interpreteerbare sequentie-alleen ontwerp wordt bereikt dat de dense baselines evenaart of overtreft zonder voorafgaande structurele informatie te vereisen.
Dit artikel introduceert Latent Event Mapping (LEMING), een schaalbare en interpreteerbare ongesuperviseerde modelleringsmethode die voxel-niveau trajecten van multimodale neuroimaging-veranderingen bij de ziekte van Alzheimer reconstrueert, waarmee nieuwe inzichten worden verkregen in progressie-afhankelijke mechanismen zoals de laat-stadium associatie tussen acetylcholinereceptor-dichtheid en amyloïde pathologie.
Het artikel introduceert STITCH, een interpreteerbare methode gebaseerd op tangentiële hoofdcomponentanalyse in een Kendall-vormvariëteit die effectief de onafhankelijke vorm van cellen koppelt aan genexpressie in ruimtelijke transcriptomica, waarbij het bestaande deep learning-benaderingen overtreft in het identificeren van biologisch relevante vorm-transcriptoomrelaties over diverse datasets heen.