1235 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.
Het artikel introduceert MAJEC, een geïntegreerd EM-framework dat RNA-seq-gegevens efficiënt analyseert om genen, transcript-isoformen en individuele transposabele element-loci gelijktijdig en nauwkeurig te kwantificeren, waardoor de vervuiling van TE-signalen door gen-overlappingen aanzienlijk wordt verminderd ten opzichte van bestaande methoden.
Deze studie toont aan dat machine learning-toepassingen op eiwitcontactnetwerken, waarbij klassieke kernel-methoden en moderne Graph Neural Networks worden vergeleken, effectief kunnen worden ingezet voor het voorspellen van de fysiologische rol en enzymatische classificatie van het menselijke proteoom.
Dit artikel presenteert een hiërarchie-bewust platform voor de analyse van transcriptomische data dat biologische kennis integreert om de interpretatie van genexpressiepatronen bij acetaminofen-geïnduceerde hepatotoxiciteit aanzienlijk te verbeteren.
Deze studie biedt een systematische benchmark van modellen voor het voorspellen van drugrespons op basis van single-cell RNA-sequencing, waarbij wordt geconcludeerd dat de huidige methoden weliswaar robuust zijn in voorspellen van door behandeling veroorzaakte transcriptieveranderingen, maar fundamenteel tekortschieten in het voorspellen van de intrinsieke resistentiestatus van cellen voorafgaand aan de behandeling.
Dit artikel introduceert *found*, een Python- en R-implementatie van HiDDEN die cellulaire verstoringen infereert vanuit gestructureerde labelruis in single-cell data, en waarbij benchmarking aantoont dat de prestaties sterk afhankelijk zijn van keuzes rondom regressie, groepering en embeddimensie.
Deze paper introduceert een likelihood-vrij, op simulatie gebaseerd Bayesiaans raamwerk met diep leeren, genaamd CloneMLP-NPE, dat selectiecoëfficiënten van kopie-aantalveranderingen in tumoren nauwkeuriger en robuuster infereert dan bestaande methoden.
Dit paper introduceert BioClaw, een ecosysteem voor mens-bot samenwerking dat natuurlijke taalverzoeken in groepschats omzet in betrouwbare, geïsoleerde analyses met behulp van een uitgebreide bibliotheek van biomedische tools, waardoor groepschats worden getransformeerd tot persistente werkruimtes voor wetenschappelijke ontdekking.
Dit artikel introduceert VCHarness, een autonoom AI-systeem dat door middel van een AI-coderingsagent en multimodale biologische fundamentele modellen de ontwikkelingstijd van stoornis-responsmodellen voor virtuele cellen van maanden tot dagen reduceert en tegelijkertijd superieure prestaties en nieuwe architectonische inzichten levert.
Dit artikel introduceert een residual-ratio framework dat transcriptomische gen-signaturen kwantificeert door hun variantie te meten die orthogonaal blijft ten opzichte van een achtergrond-expressiemodel, waarbij de betrouwbaarheid van de audit berust op de vorm van de trajectcurve en de grootte van de kloof met willekeurige baselines in plaats van op een enkel meetpunt.
GraphMana lost de beperkingen van gefragmenteerde bestandsgebaseerde workflows voor populatiegenomica op door variantdata in een grafdatabase op te slaan, wat naadloze incrementele updates, volledige provenance-tracking en snelle export naar 17 formaten mogelijk maakt, zoals aangetoond door een complete levenscyclus van het 1000 Genomes-project in slechts 98 minuten.