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.
Deze studie introduceert een machine learning-framework dat een geharmoniseerd single-cell atlas van darmweefsel combineert met experimentele validatie om nieuwe, celtype-specifieke therapeutische doelwitten voor de ziekte van Crohn en colitis ulcerosa te ontdekken.
Dit artikel introduceert FragBEST-Myo, een deep learning-methode die gebruikmaakt van moleculaire dynamica en semantische segmentatie om bindingsplaatsen op eiwitten te analyseren en zo de selectie van geschikte conformaties voor ensembles-docking te verbeteren.
Deze studie benchmarkt zeven variant-callers op korte-read sequencing-data van *Mycobacterium tuberculosis*, waarbij FreeBayes de beste prestaties leverde en een nieuw ontwikkelde foutenmodel de detectie van lage-frequentie varianten aanzienlijk verbeterde door valse positieven te filteren.
Clair3 v2 verbetert de nauwkeurigheid van variantenbepaling bij Oxford Nanopore-sequencing door gebruik te maken van de lichtgewicht move table en verblijftijden, wat leidt tot aanzienlijk betere resultaten voor indels en homopolymeren met een verwaarloosbare rekentijd.
CryoZeta is een nieuw, op diffusie gebaseerd deep learning-programma dat de nauwkeurigheid van macromoleculaire modelbouw uit cryo-EM-data aanzienlijk verbetert door experimentele dichtheidskaarten direct te integreren in een voorspellingspipeline vergelijkbaar met AlphaFold3.
Deze paper introduceert SMECT, een nieuw raamwerk dat computergestuurde methoden voor ruimtelijke mapping van complexe menselijke eigenschappen systematisch evalueert en aantoont dat DESE superieur is aan S-LDSC en scDRS door een betere balans te vinden tussen detectiekracht en biologische specificiteit.
IntelliFold-2 is een open-source model voor het voorspellen van biomoleculaire structuren dat AlphaFold 3 overtreft door architecturale verfijningen en structurele consistentie, met name bij therapeutisch relevante toepassingen zoals antilichaam-antigeeninteracties en eiwit-ligand-koppeling.
Dit artikel introduceert MassID, een cloudgebaseerde pipeline voor ongericht metabolomics die door middel van diep leeren en een nieuwe module genaamd DecoID2 bijna volledige annotatie van LC/MS-data mogelijk maakt met gecontroleerde vals-positiefpercentages, waardoor duizenden metabolieten in menselijk plasma kunnen worden geïdentificeerd en geanalyseerd.
Dit artikel introduceert CellLink, een handmatig geannoteerd corpus van meer dan 22.000 celpopulaties in de biomedische literatuur, en analyseert de naamgevingspatronen en de toepassing van machine learning voor het koppelen aan de Cell Ontologie, wat bijdraagt aan het uitbreiden en verfijnen van deze gestructureerde kennisbron.
CPLfold is een snelle en flexibele methode voor het voorspellen van RNA-secundaire structuren, inclusief pseudoknopen, die thermodynamische modellering combineert met experimenteel bewijs van RNA-kruislinking en -ligatie om nauwkeurigere globale structuren en lange-afstandsinteracties te genereren.