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.
Dit artikel introduceert EvoBind-multimer, een deep learning-framework dat de de novo design van macrocyclische moleculaire lijm mogelijk maakt op basis van enkel eiwitsequenties om nabijheid te induceren en gerichte eiwitafbraak aan te drijven, terwijl het ook onthult dat de functionele uitkomst van deze lijm contextafhankelijk kan variëren tussen verschillende patiënt-afgeleide modellen.
Het artikel introduceert EnzymARC, een nieuwe benchmark-dataset van structureel verstoorde enzym-decoys, om aan te tonen dat huidige state-of-the-art voorspellers van enzymfuncties zwaar leunen op fylogenetische shortcuts en er niet in slagen om katalytisch incompetente varianten te onderscheiden van functionele enzymen, waarmee de kritieke behoefte aan structuurbewuste negatieve voorbeelden in modeltraining en -evaluatie wordt benadrukt.
Het artikel introduceert antigen-prime, een voorwaartse tijd epidemische simulator die genetische sequenties koppelt aan antigene fenotypes onder selectie door de gastheer om grondwaarheid-data te genereren voor het benchmarken van methoden voor de toewijzing van influenza-varianten en de schatting van groeisnelheden, waarbij zowel hun nauwkeurigheid als hun specifieke faalmodi worden onthuld.
Deze studie onthult dat standaard op graad gebaseerde genprioritering systematisch non-hub connector-genen over het hoofd ziet die essentieel zijn voor het coördineren van biologische processen, en stelt EDVS voor, een partitie-vrije, informatie-theoretische centraliteitsmaatstaf die deze weggelaten genen succesvol herstelt zonder te vertrouwen op functionele annotaties of communitydetectie.
SVlog is een transparant, declaratief logisch programmeerframework gebouwd op Souffle dat snelle, deterministische en uitlegbare analyse, annotatie en prioritering van structurele varianten voor klinische ziektecuratie mogelijk maakt door genomische gegevens om te zetten in relationele feiten en samengestelde logische regels toe te passen.
Dit artikel stelt een vergelijkend *in silico* raamwerk voor dat aantoont dat hoewel de mitochondriale stresssignaleringsnetwerken van planten en mensen in complexiteit zijn gedivergeerd, zij fundamentele organisatorische principes delen, wat suggereert dat de eenvoudigere, op veerkracht gerichte plantensystemen kunnen dienen als een conceptueel model om toetsbare hypothesen te genereren over de kwetsbaarheid voor menselijke mitochondriale ziekten.
Het artikel introduceert arteMIS, een systematisch kader dat de parameters voor moleculaire netwerkanalyse optimaliseert via multi-metrische evaluatie en Latin Hypercube Sampling om de beperkingen van standaardinstellingen te overwinnen, waardoor robuustere, chemisch betekenisvolle en stabielere netwerken worden geproduceerd over diverse datasets en scoringsmethoden heen.
Dit artikel introduceert een nieuwe PyMOL-plugin die diverse methodologieën voor circuittopologie integreert met een gebruiksvriendelijke interface en een reproduceerbare omgeving om de topologie van zowel gestructureerde als ongeordende eiwitten te analyseren.
Dit artikel introduceert SPIRAL, een sparse autoencoder-framework dat er succesvol in slaagt de verborgen toestanden van het BiRNA-BERT RNA-taalmodel te decoderen naar interpreteerbare, op nucleotiden uitgelijnde kenmerken die secundaire structuren en RNA-familietypes vertegenwoordigen, waardoor de prestaties van downstream-voorspellingen worden verbeterd ondanks uitdagingen door byte-pair tokenisatie.
Dit artikel introduceert scDblFinderPy, een Python-implementatie van de op R gebaseerde scDblFinder doubletdetectietool die de hoge prestaties ervan repliceert terwijl het optionele GPU-ondersteuning toevoegt om de verwerking van grootschalige single-cell sequencing data te versnellen.