763 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 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.
Dit artikel presenteert een systematische optimalisatie van het CycloneSEQ-platform, waarbij experimentele monsterverwerking wordt geïntegreerd met computationele assemblage-workflows om de beperkingen van short-read sequencing te overwinnen en de terugwinning van complete microbiele genomen uit long-read darmmetagenomica aanzienlijk te verbeteren.
Dit artikel onthult dat homologie-geïnduceerde datalek systematisch de prestaties van op genoom getrainde sequentiemodellen opblaast doordat deze modellen afhankelijk worden van gememoriseerde associaties in plaats van generaliseerbare principes, en stelt de hashFrag-tool voor om homologie-bewuste data-partitionering mogelijk te maken voor betrouwbaardere evaluatie en verbeterde modelgeneraliseerbaarheid.
Deze studie introduceert een systematisch computationeel raamwerk dat tijdsopgeloste fosfoproteomica integreert met een BFS-gestuurde Beam Search-algoritme om celtype-specifieke EGFR-signaleringsnetwerken te reconstrueren, waarmee succesvol wordt onthuld hoe SHP2-remming padarchitecturen herschikt en adaptieve resistentiemechanismen aandrijft.
Dit artikel introduceert een herkomstbewust Text-to-Target-kader dat schema-gedwongen zoekopdrachten in grote taalmodellen integreert met numerieke analyse van omics-gegevens om interpreteerbare, audit-klare ziekte-doelen en strategieën voor geneesmiddelenontdekking te genereren, met aanzienlijke validatie in de ziekte van Alzheimer en pancreasklierkanker van het uitvoeringskanaal.
Deze studie integreert multi-omics-data om een gestroomlijnde prognostische signatuur van 15 genen en een klinisch-genomisch nomogram te ontwikkelen en valideren die de overlevingsuitkomsten bij patiënten met triple-negatieve borstkanker nauwkeurig voorspellen.
Dit artikel introduceert asymmetrische contrastieve doelstellingen, waaronder een geometrisch geïnspireerde SPC-variant die experimentele metadata integreert als geleerde klassenvectoren, om op efficiënte wijze afbeeldingsrepresentaties te extraheren voor fenotypische screening die betere prestaties leveren dan eerdere methoden op meerdere datasets en metrieken, terwijl ze effectief blijven met beperkte data en rekenkracht.
Dit artikel introduceert TEA, een nieuw 20-letterig eiwitalfabet afgeleid van taalmodel-embeddings via contrastief leren, dat snelle en gevoelige detectie van verre homologie mogelijk maakt die concurreren met op structuur gebaseerde methoden, terwijl bestaande sequentiezoekalgoritmen worden benut.
Dit artikel onthult dat het wijdverbreide gebruik van ongeldige statistische toetsen die de afhankelijkheid tussen cross-validatie-folden negeren in biomedisch machine learning leidt tot opgeblazen rates van vals-positieve resultaten, wat de auteurs ertoe aanzet het SHARP-test voor te stellen als een robuuste oplossing en nieuwe rapportagerichtlijnen te bieden voor een geldige modelvergelijking.