💻 Category

bioinformatics

1197 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.

💻 bio-informatica

Interrogating contrastive learning embeddings for structure-based virtual screening: a case study on DrugCLIP

Dit artikel evalueert systematisch de contrastieve leer-embeddings van DrugCLIP voor structuurgebaseerde virtuele screening, waarbij wordt onthuld dat hoewel de pocket-embeddings snelle en robuuste structurele gelijkeniszoekingen bieden en de ligand-embeddings pocket-bewuste chemische patronen met een sterke generalisatie naar onbekende targets vastleggen, de prestaties aanzienlijk worden beperkt door conformationele variaties en onnauwkeurigheden in voorspelde eiwitpockets.

Sanchez Utges, J., Jones, D. T., Orengo, C.2026-09-18
💻 bio-informatica

Targeted ortholog search in unannotated genome assemblies with fDOG-Assembly

Het artikel introduceert fDOG-Assembly, een nieuwe tool die gerichte, op feature-architectuur gebaseerde ortholoog-zoekopdrachten direct in ongeannoteerde genoomassemblages mogelijk maakt, waardoor de beperkingen van traditionele methoden die vertrouwen op vooraf geannoteerde proteomen worden overwonnen en nieuwe biologische inzichten worden onthuld, zoals de wijdverspreide potentie voor β\beta-lactam-biosynthese in springstaarten.

Muelbaier, H., Arthen, F., Tran, V., Schaefer, I., Balint, M., Ebersberger, I.2026-09-16
💻 bio-informatica

Structured cross-omics interaction discovery with a triple-graph model

Het artikel introduceert TriGer, een triple-graph framework dat de beperkingen van gefragmenteerde paargewijze associaties in multi-omics data overwint door interpreteerbare, gecoördineerde vele-op-vele modules over moleculaire lagen heen te identificeren, waarbij de effectiviteit ervan wordt aangetoond in het herstellen van gestructureerde signalen in simulaties en het onthullen van ziektespecifieke biologische patronen in inflammatoire darmziekte en colorectaal carcinoom.

YU, J., Lin, H., Chen, S.2026-09-16
💻 bio-informatica

Flow Orchestrated Regulatory Genomics Engine (FORGE): A Configurable Nextflow Pipeline for End-to-End snMultiome Analysis

FORGE is een configureerbare, gecontaineriseerde Nextflow-pipeline die end-to-end single-nucleus multiome-analyse automatiseert door genexpressie- en chromatine-toegankelijkheidsgegevens te integreren voor de inferentie van regulatoire netwerken en differentiële testen, waardoor de schaalbaarheid, reproduceerbaarheid en biologische interpretatie over diverse datasets heen wordt verbeterd.

Solano, L. E., Rahimzadeh, N., Shi, Z., Swarup, V.2026-09-16
💻 bio-informatica

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
💻 bio-informatica

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
💻 bio-informatica

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
💻 bio-informatica

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
💻 bio-informatica

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