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.
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.
Het artikel introduceert LAMINA, een interpreteerbaar diep leermodel dat nauwkeurig peptide-HLA-binding voorspelt door zachte motiefinteracties te aggregeren, waarbij het een state-of-the-art prestatie bereikt terwijl het emergent bindingsenergetica en structurele kenmerken leert uit enkel sequentiële gegevens.
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.
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.
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.
Dit artikel presenteert een methodologie om de experimentele zoekruimte van eiwit-eiwitinteractie (PPI) schermen te reconstrueren om waarschijnlijke niet-interagerende eiwitparen af te leiden, waardoor een betere foutenratestatistiek, modelkalibratie en verbeterde machine learning-training mogelijk worden voor een nauwkeurigere en completere mapping van het menselijke interactoom.
Het artikel introduceert Inverse FoldDir, een controleerbare inverse-folding methode gebaseerd op Dirichlet flow matching die diverse, experimenteel gevalideerde eiwitsequenties genereert met door de gebruiker gedefinieerde restricties door iteratieve denosing uit te voeren op de aminozuurwaarschijnlijkheidssimplex, waarbij staat-van-de-kunst structurele herstelmetrieken bereikt en succesvolle functionele herontwerp van een anti-GFP nanobody realiseert.
Deze studie introduceert het perturbatie-bewuste Neural ODE (pNODE) framework, dat traditionele modellen overtreft door de dynamiek van het darmmicrobioom nauwkeurig te voorspellen en darmgerelateerde bloedbaaninfecties bij kankerpatiënten die een allogene hematopoëtische celtransplantatie ondergaan te voorspellen door de integratie van microbiële abundanties en tijd-opgeloste antibioticum-perturbaties.
Deze studie benchmarkt systematisch pipelines voor kleine variantidentificatie en haplotype-fasing voor long-read RNA-sequencing over diverse datasets en technologieën heen, waarbij wordt onthuld dat de sequentiekwaliteit de primaire prestatiebepalende factor is, terwijl Clair3-RNA, DeepVariant en longcallR als top callers worden geïdentificeerd en WhatsHap of HapCUT2 als optimale phasing-tools afhankelijk van de specifieke context.
Deze studie으로 toont aan dat hoewel deep-learning classificaties voor schimmel-ITS-sequenties een hoge nauwkeurigheid bereiken op volledige referentien, ze dramatisch falen op de veelgebruikte ITS2-subregio door te vertrouwen op flankerende regio's in plaats van op de barcode zelf, waardoor klassieke baseline-methoden de deep-learning methoden aanzienlijk overtreffen in realistische scenario's van omgevingsmetabarcoding.