766 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 presenteert een hoog-efficiënt deep learning-model op basis van een convolutioneel neurale netwerk (CNN) en TFxIDF-vectorisatie van aminozuursequenties, dat met state-of-the-art nauwkeurigheid genen en pseudogenen in het menselijk genoom (GRCh38) identificeert.
Deze studie evalueert zeven geavanceerde methoden voor het verwijderen van omgevings-RNA uit single-cell RNA-sequencing-data en concludeert dat hoewel geen enkele methode overal superieur is, CellBender, DecontX en SoupX over het algemeen de beste prestaties leveren.
Deze paper introduceert een DGIdb Model Context Protocol (MCP)-server die grote taalmodellen in staat stelt om via natuurlijke taal direct toegang te krijgen tot de actuele Drug-Gene Interaction Database, waardoor de precisie van antwoorden op biomedische vragen aanzienlijk wordt verbeterd.
Deze studie introduceert een adaptieve autoencoder met Dirichlet-proces-priors die de geometrische structuur van single-cell data significant verbetert ten koste van labelherkenning, waardoor een specifiek toepassingsdomein voor trajectanalyse en visualisatie wordt geïdentificeerd.
Het paper introduceert Topic-FM, een familie van neurale topic-VAE's met een simplex-geconstrueerde latentruimte en een flow-gebaseerde verfijning die de interpretatie van genprogramma's in single-cell transcriptomics verbetert en tegelijkertijd de clusteringkwaliteit en classificatieprestaties aanzienlijk verhoogt zonder de gebruikelijke afweging tussen geometrie en labelovereenkomst.
Deze studie identificeert via longitudinale serummetabolomics unieke metabole signatuur, waaronder specifieke acylcarnitines, dieetverbindingen en geneesmiddelmetabolieten, die geassocieerd zijn met cognitieve veerkracht bij ouder wordende volwassenen.
Dit onderzoek toont aan dat het integreren van subcellulaire lokalisatie in machine learning-modellen de voorspellende nauwkeurigheid van proteïne-detectie in kanker aanzienlijk verbetert en een systematische discordantie tussen RNA en eiwitten onthult die niet door transcriptie alleen kan worden verklaard.
CROWN is een machine learning-klaar dataset van 153.005 eiwit-ligandcomplexen die, door een geautomatiseerd kwaliteitsfilter en een unieke energie-minimalisatiestap, de breedte van grote databases combineert met de structurele nauwkeurigheid van zorgvuldig gecureerde collecties, zonder afhankelijk te zijn van experimentele bindingsaffiniteiten.
Dit artikel introduceert Claw4Science, een gecurateerd dataset en platform dat de gefragmenteerde OpenClaw-ecosysteem voor wetenschappelijke AI-agenten centraliseert en analyseert om de ontdekking, vergelijking en standaardisatie van bio-informatische workflows te faciliteren.
Deze studie toont aan dat het toepassen van robuuste Random Forests, met name via rangschikkingstransformaties, de voorspellingsprestaties in de genomische selectie aanzienlijk verbetert bij verontreinigde data, terwijl voor schone data de standaardmethode de voorkeur behoudt.