869 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.
Dit artikel presenteert een minimaal, multischaal computatief raamwerk dat gebruikmaakt van proteinedynamica en recurrente verstoringmechanismen om systematisch antimicrobiële doelen te identificeren en te prioriteren voor rationele polyfarmacologie, met als doel de therapeutische werkzaamheid te verhogen terwijl toxiciteit en mutatieontsnapping worden geminimaliseerd.
Het artikel introduceert gTranslate, een computationeel efficiënt machinelearninghulpmiddel dat nauwkeurig translatietabellen voorspelt voor prokaryote genomen zonder voorafgaande taxonomische classificatie, met een nauwkeurigheid van meer dan 99,99% en dat de ontdekking mogelijk maakt van nieuwe variaties in de genetische code in specifieke bacteriële lijnen.
Deze studie presenteert een computationeel raamwerk dat gebruikmaakt van het Evo2 DNA-funderingsmodel om niet-coderende regulatorische varianten bij darmkanker te prioriteren door hun impact op promotorsequenties te kwantificeren, waarbij succesvol hoog-impactkandidaten worden geïdentificeerd die verrijkt zijn in kankergerelateerde pathways en GWAS-loci, zonder afhankelijkheid van toezichtgeleerde training of vooraf gedefinieerde annotaties.
SQANTI-browser is een nieuw visualisatiekader dat door SQANTI3 geclassificeerde long-read transcriptoomdata integreert in de UCSC Genome Browser, waardoor interactieve filtering, door bewijs geleide curatie en het oplossen van uitlijningsartefacten mogelijk worden om bruikbare nieuwe isoformen te redden in diverse datasets.
CARIBOU is een multi-agent AI-framework dat is ontworpen voor autonome, iteratieve en reproduceerbare bio-informatica-analyse binnen institutionele high-performance computing-omgevingen, waarbij door onderzoekers bewerkbare blauwdrukken en persistente uitvoerbare staten worden gebruikt om de beperkingen van statische codegeneratie bij het verwerken van grootschalige single-cell en ruimtelijke omics-datasets te overwinnen.
VaxjoOnto is een nieuw kader dat een door vaccinontologie gedreven heterogeen kennisgrafiek en een grafische neurale netwerk benut om adjuvantia effectief te prioriteren voor zowel bekende als nieuwe ziekten, waarbij een kritieke knelpunt in vaccinontwikkeling wordt aangepakt door de focus te verschuiven van antigeenontdekking naar adjuvantselectie.
Dit artikel introduceert het SBB-framework (Signaal, Grenzen en Baselines) om virtuele cel-perturbatiemodellen rigoureus te evalueren, waarbij wordt aangetoond dat complexe deep learning-methoden vaak niet betekenisvol beter presteren dan eenvoudige lineaire baselines, en wordt benadrukt dat gestandaardiseerde metrieken nodig zijn om echte biologische signalen te onderscheiden van statistische artefacten.
Deze studie stelt een best-practicekader op voor het construeren van simultane multi-omics gewogen gen-co-expressienetwerken om thyroïdotoxiciteit en herstel in een knaagdiermodel te analyseren, en toont aan dat het concateneren van niet-geschaalde omicslagen de biologische structuur behoudt terwijl het uitgebreide moleculaire verstoring en gedeeltelijk herstel onthult via complementaire modulebehoud- en differentieel connectiviteitsanalyses.
Het GAE-Δ-framework maakt gebruik van een grafische autoencoder om fenotype-specifieke herschakeling van genennetwerken over multi-omics-data te modelleren, wat leidt tot superieure voorspelling van klinische uitkomsten en de identificatie van biologisch relevante kankerdrijvers in vergelijking met bestaande lineaire factorisatie- en op netwerken gebaseerde methoden.
Het artikel introduceert ALARMIST, een probabilistisch raamwerk dat interpreteerbare multicellulaire communicatiemotieven ontcijfert uit ruimtelijke transcriptomics-data om hogere-orde signaalpatronen en hun downstream fenotypische effecten te identificeren, waarbij de bruikbaarheid wordt aangetoond in het blootleggen van microomgevingsdrijvers van tumorprogressie bij longadenocarcinoom en glioblastoom.