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.
ProtFlow is een generatief model dat op flow-matching is gebaseerd en door middel van een semantische integratienetwerk en herstroomtechnieken de volledige semantische verdeling van eiwitten leert, waardoor het superieure en functioneel diverse eiwitsequenties kan genereren, met name voor antimicrobiële peptiden tegen ondervertegenwoordigde bacteriesoorten.
Deze studie presenteert een robuust computergestuurd framework dat aantoont hoe specifieke mutatieprocessen in 560 borstkankergenomen de binding van transcriptiefactoren systematisch verstoren, waardoor subtype-specifieke herschakelingen in het genregulatoire landschap worden onthuld die bijdragen aan transcriptionele deregulatie.
Deze studie toont aan dat de evaluatie van modellen voor het voorspellen van single-cell-perturbatiereacties complex is, omdat veelgebruikte metrieken vaak misleidend zijn en zelfs geavanceerde deep learning-modellen vaak onderpresteren ten opzichte van eenvoudige baselines.
Hoewel de prestaties van variant-effectpredictoren afhankelijk zijn van de genetische afkomst en allelfrequentie, tonen de auteurs aan dat deze modellen na stratificatie vergelijkbare nauwkeurigheid vertonen over verschillende bevolkingsgroepen, wat hun verantwoorde inzet ondersteunt in de klinische genetica.
Deze studie introduceert een fysisch bewust raamwerk dat eiwitten discretiseert in een leerbaar vocabulaire van "eiwitwoorden" om evolutionaire patronen te ontcijferen, functionele ontdekkingen zoals de rol van ADMAP1 te faciliteren en nieuwe biologische functies te ontwerpen.
RNAiSpline is een robuust deep learning-model dat siRNA-eficacy voorspelt door zelftoezichtende pretraining en fine-tuning met KAN, CNN en Transformer Encoder te combineren om uitdagingen zoals schaarse en bevooroordeelde data te overwinnen.
Dit artikel introduceert TITAN-BBB, een multi-modale deep-learningarchitectuur die tabulaire, beeld- en tekstgegevens combineert om de bloed-hersenbarrière-permeabiliteit nauwkeuriger te voorspellen dan bestaande methoden, ondersteund door een nieuw, uitgebreid dataset en openbare broncode.
Dit paper introduceert MolDeBERTa, een schaalbaar, zelftoezichtend fundamenteel model dat door middel van byte-niveau tokenisatie en drie nieuwe voortraining-objecieven structurele en fysisch-chemische eigenschappen van moleculen effectief leert vertegenwoordigen, wat leidt tot aanzienlijk betere prestaties op diverse downstream-taken vergeleken met bestaande modellen.
Dit paper introduceert FiCOPS, een FPGA-gebaseerd hardware/software co-design framework dat de snelheid van peptide-databasezoeken in massaspectrometrie met 3,5 keer verhoogt en het energieverbruik aanzienlijk verlaagt ten opzichte van bestaande CPU- en GPU-oplossingen.
Dit artikel introduceert MW-RaMViD, een op video-diffusie gebaseerde methode die ontbrekende 2D-kantelbeelden genereert om de 'missing-wedge'-artefacten in cryo-elektronentomografie te corrigeren en zo de reconstructiekwaliteit te verbeteren.