💻 Category

bioinformatics

1012 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.

💻 bioinformatics

ML4SD: Leveraging Machine Learning and High-Throughput Search Algorithms for an Iterative Growth-Coupled Design Innovation

Het artikel introduceert ML4SD, een actieve leer-Design-Build-Test-Learn-cyclus die machine learning integreert met een nieuw hoog-doorvoersalgoritme (gcSwarms) om efficiënt groei-gekoppelde microbiële stamontwerpen te identificeren, waarbij aanzienlijk hogere koolstofopbrengsten worden bereikt met veel minder experimentele iteraties dan traditionele zoekmethoden.

Gargantilla Becerra, A., Nogales Enrique, J.2026-09-16
💻 bioinformatics

A Turing-Style Test for In-Silico Antibodies: How Sampling Mode Makes WGAN-GP Beat VAE in the Wet Lab

Deze studie toont aan dat hoewel Wasserstein GANs beter presteerden dan Variational Autoencoders in het genereren van experimenteel levensvatbare de novo antilichamen (99% versus 5% succes), dit verschil primair werd gedreven door de bemonsteringsstrategie—onvoorwaardelijke generatie versus latent seeding met bekende antilichamen—in plaats van inherente architecturale superioriteit.

Kummer, A., Mahmoudinobar, F., Liu, W., Davis, J. W., Ma, E. J., Kumar, S.2026-09-16
💻 bioinformatics

Uncertainty-Aware Model Selection with a Calibrated Probability-Generating-Function-Based Bayesian Information Criterion

Dit artikel introduceert een onzekerheidsbewuste modelselectieregel voor stochastische genexpressiemodellen die de conventionele PGF-BIC verbetert door een datagestuurde drempelwaarde te incorporeren, afgeleid via invloedsfuncties en Cantelli's ongelijkheid, om rekening te houden met steekproefonzekerheid en het overmatig selecteren van complexe modellen te voorkomen zonder de computationele efficiëntie op te offeren.

Wang, Y., Shu, Z., Gao, F., Cao, Z.2026-09-16
💻 bioinformatics

Interpretable Machine Learning Reveals Complementary Age-Related Signatures in the Oral and Gut Microbiome

Door SHAP-gebaseerde interpreteerbaarheid toe te passen op gekoppelde orale en darmmicrobioomdata, onthult deze studie dat hoewel gecombineerde modellen de perfecte voorspellende nauwkeurigheid van darmdata alleen voor het onderscheiden van pasgeborenen van volwassenen niet overtreffen, ze complementaire, niet-redundante biologische signaturen uit de mondholte ontdekken die anders door conventionele nauwkeurigheidsmetrieken gemist zouden worden.

Ruthbah, C. A., Sadi, T. H., Jahan, N. E. S., Adib, A. N. M. T.2026-09-15
💻 bioinformatics

Hierarchical temporal transformer for cancer grade prediction and cross cancer transfer learning from pathology reports

Dit artikel introduceert de Hierarchical Temporal Transformer (HTT), een tweelaagse architectuur die longitudinale pathologierapporten en kanker-type embeddings benut om een state-of-the-art voorspelling van kankergraad te bereiken en effectieve zero-shot transfer learning naar onbekende kankertypes te demonstreren zonder prestatieverlies.

Brimo, N., Anand, R., Harb, H., Serdaroglu, D. C.2026-09-15
💻 bioinformatics

POME: Graph-based embeddings for partially observed mixed-type data

Het artikel introduceert POME, een zelfgesuperviseerd graafgebaseerd embeddingmodel ontworpen om laagdimensionale representaties te genereren voor gedeeltelijk geobserveerde biomedische data van gemengde typen, waarmee het een state-of-the-art imputatieprestatie bereikt en effectieve downstream-taken mogelijk maakt zoals patiëntsubgroontontdekking, voorspellende modellering en therapieaanbeveling.

Woller, F., Arend, L., Kist, A. M., List, M., Rahimi, F., Sirocchi, C., Blumenthal, D. B.2026-09-15
💻 bioinformatics

pydreg: a fast Python package for identifying active cis-regulatory elements from nascent transcription

Het artikel introduceert pydreg, een snelle en onderhoudbare Python-reimplementatie van het dREG-algoritme voor het identificeren van actieve cis-regulerende elementen uit nascente transcriptie, die de runtime en het geheugengebruik aanzienlijk vermindert terwijl de nauwkeurigheid en compatibiliteit van de oorspronkelijke methode met moderne computerinfrastructuur behouden blijven.

He, A. Y., Danko, C. G.2026-09-13
💻 bioinformatics

Matched full-UDG and non-UDG ancient DNA libraries reveal trade-offs in post-mortem damage correction for imputation and kinship inference

Door gematchte full-UDG en niet-UDG bibliotheken van oud DNA van middeleeuwse Mongoolse individuen te vergelijken, toont deze studie aan dat hoewel verschillende computationele methoden voor schadecorrectie (trimming, rescaling en masking) de balans tussen het behoud van locaties en foutreductie verschillend afwegen, de optimale keuze afhangt van de specifieke downstream-analyse, waarbij gecorrigeerde data essentieel bleken voor nauwkeurige verwantschapsinferentie in niet-UDG bibliotheken.

Ravdandorj, O., Sampildondov, C., Janchiv, K., Gakuhari, T.2026-09-13
💻 bioinformatics

A Framework for Quantifying DNA Methylation Heterogeneity and Detecting Co-methylated loci from Native Nanopore Sequencing

Dit artikel presenteert een schaalbaar framework geïntegreerd in de DMRcaller-package dat gebruikmaakt van native Oxford Nanopore-sequencing om de heterogeniteit van single-molecule DNA-methylatie te kwantificeren en co-gemethyleerde loci te detecteren, waardoor epigenetische patronen en regulatoire interacties worden onthuld die verborgen blijven voor traditionele gemiddelde analyses op siteniveau.

Kim, Y. J., Zabet, N. R.2026-09-13