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 spatialMET, een open-source, schaalbaar framework dat een end-to-end workflow biedt voor ruimtelijke metabolomics-analyse — inclusief preprocessing, domeendetectie en statistische toetsing — terwijl het de beperkingen van bestaande tools overwint door middel van high-performance computing-mogelijkheden en reproduceerbare Docker-implementatie.
Dit artikel introduceert een gestratificeerde benchmark van 1.047 zeldzame ziektegevallen, ontworpen om circulariteit in evaluaties van gen-prioritering te meten en te mitigeren door annotatie-overlaps met bronliteratuur te signaleren, naast een versie-gepinde receptuur voor het construeren van een hybride retrieval-index over 2,25 miljoen PMC Open Access-artikelen.
Dit artikel introduceert Bravais Lattice Sampling (BLS), een geometrie-gestuurd tweefasig algoritme dat efficiënt verbonden gebieden met een hoge dichtheid in 3D gediscretiseerde ruimtes detecteert door uitputtende rasterscans te vervangen door ijle roosterprobes en gerichte expansie, waarbij een recall van 100% wordt bereikt met computationele kosten die vergelijkbaar met of lager zijn dan bestaande methoden.
Dit artikel introduceert MiraProt, een modulair en metadata-bewust R Shiny-platform voor interactieve downstream proteomics-analyse, en demonstreert de bruikbaarheid ervan door Mueller-celproteomen van paarden met recidiverende equiene uveïtis te heranalyseren om een interferon-responsieve, celcyclus-geassocieerde en MHC klasse II-geassocieerde eiwit-signatuur te onthullen.
De auteurs ontwikkelden Mural-VISTA, een semi-geautomatiseerde Python-workflow voor 3D-analyse van interacties tussen mural cellen en vaten en multiscale topo-morfologische metrieken, die celtype-specifieke structurele veranderingen in pericyten en vasculaire gladde spiercellen onthulde, gedreven door veranderde RhoA-activiteit.
EXTRERNAS is een reproduceerbaar, op Docker gebaseerd Java-framework dat de extractie van RNA-structurele annotaties automatiseert met behulp van meerdere tools en hun heterogene outputs standaardiseert naar BPSEQ- en het nieuwe BPSEQE-formaat om een consistente vergelijking van canonieke en niet-canonieke interacties te faciliteren.
Het artikel introduceert dnoise, een snelle open-source Rust-tool die de opslagvoetafdruk van Bruker timsTOF native data aanzienlijk vermindert door redundante punten te verwijderen terwijl de analytische nauwkeurigheid in zowel DDA- als DIA-workflows behouden blijft.
Dit artikel presenteert MetaDome 2027, een uitgebreid bijgewerkte bron die bewijslast van missense-varianten aggregeert over homologe menselijke proteïnedomeinen met GRCh38-ondersteuning, wat de domeindekking aanzienlijk vergroot en kritieke pathogene bewijslast biedt voor de herclassificatie van varianten van onzekere betekenis in de klinische genetica.
scPyviewer is een Python-native, webgebaseerde interactieve viewer die niet-programmeurs in staat stelt om AnnData single-cell datasets direct te verkennen zonder conversie naar Seurat, waarbij het gelijke functionaliteit biedt aan bestaande R Shiny-tools terwijl het een superieure renderingsnelheid, lager geheugengebruik en het vermogen om grote datasets aan die R-gebaseerde alternatieven doen falen, demonstreert.
Het artikel introduceert C-PLANK, een deep learning-framework getraind op cellulaire chemoproteomica-data dat bestaande modellen overtreft in het voorspellen van fragment-eiwitinteracties en succesvol een nieuwe SIRT3-agonist identificeerde door fysisch-chemische embeddings te integreren met een biologische plausibiliteitsmetriek op systeemniveau.