1197 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 *biomes*, een R-pakket dat geharmoniseerde wereldwijde rasterlagen biedt voor 31 verschillende biome-schema's en een reproduceerbare, datagestuurde workflow om onderzoekers te helpen bij het selecteren van het meest geschikte schema en het classificeren van soortvoorkomens voor ecologische en evolutionaire studies.
SFUMATO is een door GPU versneld Bayesiaans probabilistisch raamwerk dat de beperkingen van hard-label clustering in ruimtelijke transcriptomica overwint door onzekerheidsbewuste, kleurverblendende visualisaties en kwantitatieve kaarten te genereren die geleidelijke transcriptionele transities en weefselheterogeniteit vastleggen zonder dat voorafgaande celsegmentatie vereist is.
Dit artikel onthult dat de voorspellende prestaties van antidiabetische peptideclassificatoren vaak worden opgeblazen door homologie-lekkage in standaard benchmarks, wat aantoont dat wanneer homologe sequenties correct worden gescheiden, de nauwkeurigheid aanzienlijk daalt en eenvoudigere modellen vergelijkbare resultaten kunnen bereiken met veel grotere efficiëntie.
Dit artikel introduceert het Instability Quotient Criterion (IQC), een nieuwe metriek die gebruikmaakt van ensemblemodellering en de entropie van Shannon om de reproduceerbaarheid van featureselectie in hoogdimensionele biologische analyses te kwantificeren en te verbeteren, waarbij specifiek wordt ingegaan op de instabiliteitsproblemen die inherent zijn aan Elastic Net-regressie.
vartracker is een open-source, pathogeenaagnostische tool die de analyse en visualisatie van longitudinale pathogene evolutie stroomlijnt door diverse genomische inputs te integreren, het ontstaan en het voortbestaan van varianten te volgen, en reproduceerbare resultaten te genereren met interactieve visualisaties.
Deze studie presenteert een raamwerk dat omics-data integreert met experimentele eiwit-RNA-structuren om bindingsmotiefkernen te identificeren en AlphaFold3 te benchmarken, waarbij zowel de voorspellende belofte als de huidige beperkingen, zoals tekenen van memorisatie en uitdagingen met alternatieve bindingsmodi, worden onthuld.
CHACAM is een supervised machine learning-framework dat genexpressie, ligand-receptorinteracties en celcontactkaarten integreert om ambigue celidentiteiten tijdens de vroege embryogenese van *C. elegans* te ontrafelen door gebruik te maken van cel-celinteractiesignaturen voor hoogprecisie annotatie.
Het artikel introduceert PeTriPPI2, een hybride framework dat ESM-2 sequentie-embeddings fuseert met PeTriBERT structurele representaties om eiwit-eiwitinteracties te voorspellen, waarbij een hoge nauwkeurigheid en precisie wordt bereikt op de Pinder-dataset terwijl de complementaire waarde van zowel sequentie- als structurele kenmerken wordt aangetoond door middel van ablatie-studies.
Deze studie toont aan dat het gebruik van MDM2 P1 versus P2 promotors dient als een moleculaire schakelaar die onderscheid maakt tussen chromosomale instabiliteit-gedreven en omgevingsadaptieve, gastrische-metaplastische colorectale kankerfenotypes, waardoor stratificatie van patiënten op basis van therapeutische respons mogelijk wordt.
Het artikel introduceert Murmurent, een open-source, gedeelde softwareomgeving die is ontworpen om collaboratief biomedisch onderzoek te ondersteunen door gespecialiseerde agenten, gelaagd geheugen, traceerbaarheid en afgedwongen standaardprocedures te bieden die de technische drempels verlagen voor academische laboratoria die gebruikmaken van agentic AI, aangetoond door de toepassing ervan bij het identificeren van remmers voor het Pin1-eiwit.