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.
RAGulate is een retrieval-augmented generation-framework dat hybride literatuurretrieval combineert met grote taalmodellen om interacties tussen transcriptiefactoren en doelwitten in specifieke biologische contexten nauwkeurig te beoordelen en uit te leggen, waardoor hallucinaties worden verminderd en de experimentele prioritering voor biologen wordt versneld.
Door het ontwikkelen van het variationele Bayesiaanse hiërarchische model eTRex en dit toe te passen op 4.819 ATAC-seq-datasets, construeert deze studie een uitgebreide, contextspecifieke pan-cancer atlas van functionele transcriptionele regulatorprofielen die zowel gemeenschappelijke als kankerspecifieke oncogene regulatoire programma's onthult, gevalideerd door onafhankelijke genomische schermen en toegankelijk via een interactief webportaal.
HERMES is een snel, op structuur gebaseerd neuraal netwerkmodel dat de effecten van mutaties op eiwitstabiliteit en bindingsaffiniteit voorspelt door gebruik te maken van lokale 3D-atomaire omgevingen en een geamortiseerde fijnafstemmingsstrategie om groottegebaseerde biases te overwinnen, waardoor nauwkeurig en computationeel efficiënt vaccinontwerp mogelijk wordt.
Deze studie integreert genoombrede analyse met 3D-eiwitstructuurmodellering om aan te tonen hoe genetische variaties in virulentiefactoren, met name het intimine-receptorcomplex, functioneel gekarakteriseerd kunnen worden om de risicobeoordeling en diagnostiek voor diverse niet-O157 Shiga-toxine-producerende *E. coli* te verbeteren.
Het artikel introduceert VAIruScope, een op deep learning gebaseerde pijplijn die de automatische, labelvrije identificatie en kwantificering van virusgeïnfecteerde cellen mogelijk maakt over diverse celmodellen en klinisch relevante RNA-, DNA- en retrovirussen door cytopathische effecten in lichtmicroscopiebeelden te herkennen met een nauwkeurigheid van tot 96%.