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.
RegimeFormer is een grootschalig eiwitmodel dat, via de bijbehorende RegimeAtlas-database van meer dan 200 miljoen sequenties, globale perturbatieregimes vaststelt om effecten van mutaties op residuniveau te voorspellen en downstream biologische modellering te verbeteren, met name voor onbekende eiwitten en families.
Dit artikel introduceert de Dynamic Hierarchical Interleaved Bloom Filter, een schaalbare en aanpasbare indexeringsstructuur die de state-of-the-art HIBF uitbreidt met gedeeltelijk herbouwen om efficiënt grootschalig sequentieonderzoek mogelijk te maken, waarbij het vermogen wordt aangetoond om meer dan 100 TB aan RNA-Seq-data te indexeren en nieuwe monsters 24 tot 65 keer sneller in te voegen dan concurrerende tools.
Vipsania is de eerste ongesuperviseerde deep learning-tool die accuraat eiwitcoderende genstructuren over diverse eukaryote genomen voorspelt door direct te leren van niet-geannoteerde sequenties, waardoor de beperkingen van gesuperviseerde methoden worden overwonnen die hoogwaardige trainingsdata vereisen en moeite hebben met verre of basale clades.
PhageTransformer is een deep learning-model dat de beperkingen van bestaande tools overwint door schaalbare, nauwkeurige en snelle gastheervoorspellingen voor bacteriofagen te bieden, zoals aangetoond door de superieure prestaties op duizenden onafhankelijke faag-gastheerparen.
Het artikel introduceert morphOTU, een door AI gedreven framework dat operationele biodiversiteitseenheden direct afleidt uit specimen-afbeeldingen met behulp van zelfgesuperviseerd leren en hiërarchische clustering, wat een nauwkeurige kwantificering van de soortendiversiteit en de ontdekking van morfologische patronen mogelijk maakt, zelfs bij afwezigheid van formele taxonomische labels of uitgebreide trainingsdata.
Het artikel introduceert DeepTMHMM2, een nieuwe voorspeller die tegelijkertijd nauwkeurige voorspellingen doet voor de transmembraantopologie — inclusief voorheen niet gemodelleerde re-entrant regio's en interfaciale helices — en subcellulaire lokalisatie over 17 biologische membranen, waarbij de wijdverbreide aanwezigheid van niet-kruisende segmenten in het proteoom wordt onthuld.
Deze studie presenteert een geüpdatiseerde XMAn-database die uitgebreide COSMIC-mutatiedata integreert om gespecialiseerde peptide-repositories te creëren, wat de massaspectrometrie-gebaseerde identificatie van kankergeassocieerde gemuteerde peptiden mogelijk maakt die doorgaans worden gemist door standaard canonieke eiwitdatabases.
Dit artikel presenteert een hybride framework dat een Variational Autoencoder combineert om synthetische longitudinale trajecten te genereren uit cross-sectionele nierkankerdata met een symbolisch regel-inductiesysteem om interpreteerbare, probabilistische voorspellingen van ziekteprogressie te produceren die de nauwkeurigheid van deep learning evenaren terwijl ze transparante, menselijk leesbare inzichten bieden in de onderliggende moleculaire mechanismen.
HIDE-Deconv is een open-source hiërarchisch deconvolutiekader dat cellulaire compositieschattingen over meerdere resolutieniveaus gezamenlijk optimaliseert om biologisch relevante cellulaire remodelering in ziekten zoals longadenocarcinoom en sepsis te onthullen, waarbij het bestaande single-resolutie methoden overtreft.
Het artikel introduceert evoPLM-Tree, een boombewust conditioneel taalmodel dat fylogenetische context integreert om virale mutatiepatronen en lijn-specifieke evolutionaire trajecten nauwkeurig te voorspellen, waarbij een sterke afstemming met experimentele functionele beperkingen wordt aangetoond.