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.
De auteurs introduceren FM-GPT, een nieuwe Bayesiaanse methode voor fijnmapping die in fenoom-brede transcriptoom-associatiestudies effectief causale genen identificeert door ruis te filteren en zowel pleiotrope als fenome-specifieke effecten bloot te leggen, wat leidt tot nieuwe inzichten in de gedeelde biologische mechanismen van hersenstructuur en diverse medische aandoeningen.
Deze studie presenteert een gestandaardiseerd, unificerend ruimtelijk transcriptoomdataset van tien muizenorganen gegenereerd met het Stereo-seq-platform, dat hoge-resolutie expressiematrices en histologische beelden bevat om de ontwikkeling en benchmarking van deep learning-modellen voor ruimtelijke transcriptomica te ondersteunen.
scMultiPreDICT is een R-gebaseerd computeraamwerk dat systematisch de voorspellende kracht van transcriptomische versus epigenetische kenmerken voor genexpressie in single-cell multi-omics data vergelijkt, waarbij blijkt dat RNA-features over het algemeen overheersen maar multimodale integratie gen- en contextspecifiek nuttig kan zijn.
Dit paper introduceert LYM-1, het eerste grootschalige model voor meerdere gewassen dat, gebaseerd op meer dan 4,7 miljoen opbrengstobservaties in de Canadese prairies, gewasopbrengsten voorspelt en inzicht biedt in de interacties tussen genetica, omgeving en management om de landbouwproductie en gewasontwikkeling te optimaliseren.
Deze studie toont aan dat ongerichte metabolomische analyse van thuis verzamelde gedroogde bloedvlekken (DBS) bij 1.257 deelnemers een nauwkeurige individuele identificatie mogelijk maakt met 94% gebruikersniveaucorrectheid, wat een veelbelovende basis vormt voor toekomstige digitale tweeling-workflows.
Deze studie evalueerde de prestaties van zes somatische variant-callers op klinische tumour-only amplicon-sequencingdata en concludeerde dat FreeBayes, VarScan, MuTect2 en Pisces de beste resultaten leverden, hoewel FreeBayes meer artefacten genereerde.
Dit artikel introduceert nieuwe nearest neighbor-parameters voor RNA-vouwing die de stabiliserende invloed van 1-methyl-pseudouridine op helices en lussen kwantificeren, waardoor de secundaire structuurvoorspelling van mRNA-therapeutica en tRNA aanzienlijk wordt verbeterd.
Dit artikel introduceert IDiom, een autoregressief taalmodel dat is getraind op 37 miljoen intrinsiek ongeordende sequenties en in staat is om biologisch relevante en functioneel georiënteerde eiwitsequenties te genereren, waarmee een langdurige uitdaging in het rationele ontwerp van deze dynamische eiwitregio's wordt opgelost.
Deze studie presenteert een innovatief graf-gebaseerd diep leermodel met een Connectivity Attention Block dat structurele hersenconnectiviteitsgegevens analyseert om met hoge nauwkeurigheid leeftijd, dementie en geslacht te voorspellen, waarbij het de prestaties van bestaande methoden overtreft.
Dit paper introduceert SimpleFold-Turbo, een open-source methode die adaptieve caching toepast op flow-matching voor eiwitstructuurvoorspelling en hiermee een 14-voudige versnelling bereikt zonder kwaliteitsverlies, zonder dat hertraining of MSA-servers nodig zijn.