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.
Dit artikel introduceert Mievformer, een op masked self-supervised learning gebaseerd Transformer-framework dat probabilistische koppelingen tussen microomgevings- en celheterogeniteit in ruimtelijke omics-data onthult door het leren van microomgevingsrepresentaties die gebaseerd zijn op naburige celtatoestanden en ruimtelijke configuraties.
Turep is een robuust deep learning-methode die cross-cancer tumor-reactieve T-cellen en hun ruimtelijke architectuur nauwkeurig identificeert in single-cell en ruimtelijke transcriptomics-data, waardoor het een waardevol hulpmiddel biedt voor het voorspellen van de respons op immunotherapie.
Deze studie introduceert het concept van 'genomische dialecten' om aan te tonen dat de codon-gebruiksbias over het leven heen wordt gevormd door de biochemische eigenschappen van aminozuren en de tweede codonbasis, wat resulteert in 'informatieve accenten' die de translatiefideliteit en eiwitstabiliteit optimaliseren in plaats van een betrouwbare fylogenie te weerspiegelen.
Deze paper introduceert memerna, een schaalbaar en deterministisch framework dat via iteratieve steekproefneming de volledige ruimte van RNA-secundaire structuren efficiënt verkent om het niet-evenwichtsfolden van RNA tijdens transcriptie nauwkeuriger te modelleren dan bestaande methoden.
Deze studie toont aan dat AlphaFold2 OpenFold3 overtreft bij het voorspellen van eiwit-peptidecomplexen, maar benadrukt de noodzaak van peptide-specifieke evaluatiemethoden en aangepaste betrouwbaarheidsscores, aangezien standaardprocedures voor eiwit-eiwitinteracties niet direct toepasbaar zijn.
Dit onderzoek verkent hoe Graph Neural Networks (GNNs) en hybride architecturen, zoals integratie met eiwit-taalmodellen, de nauwkeurigheid en interpreteerbaarheid van voorspellingen voor eiwit-ligand-interacties in de medicijnontwikkeling kunnen verbeteren.
Dit artikel introduceert de codonoptimalisatietools OptimWiz 2.1 en 3.0, die respectievelijk gebaseerd zijn op klassieke methoden en kunstmatige intelligentie, en die in vergelijking met bestaande commerciële tools superieure eiwitexpressie bereiken terwijl ze tegelijkertijd de onderliggende principes van codonoptimalisatie onthullen.
Dit artikel introduceert SpaceBender, een open-source methode die ruimtelijke transcriptomics-data ontdoet van ruis door gebruik te maken van ruimtelijke informatie, waardoor biologische signalen worden versterkt en verborgen inzichten worden onthuld.
Deze studie introduceert een tensor-gebaseerd raamwerk voor het analyseren van ruimtelijke genexpressie in colorectale kanker, waarbij een vergelijkbaarheidsnetwerk-methode aantoont dat de ruimtelijke organisatie van het weefsel de netwerkstructuur beperkt en waardevolle inzichten biedt in tumorheterogeniteit.
EpiRanha is een multimodaal framework dat residue-embeddings en een E(n)-equivariante graf-neurale netwerk combineert om structurele en sequentie-gebaseerde epitoope-lijken te identificeren, waardoor het superieur is aan traditionele methoden voor het beoordelen van kruisreactiviteit en het ontwerpen van selectieve antilichamen.