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.
SPARKLE is een snelle, referentievrije computationele methode die lokale RNA-lekkage in hoogresolutie ruimtelijke transcriptomica corrigeert door gebruik te maken van bewijs buiten de maskers binnen dezelfde monster om ectopische signalen te schatten en te verwijderen, waardoor de lokalisatie van celtypen en de betrouwbaarheid van downstream-analyses worden verbeterd.
Deze studie introduceert een nieuw late fusion relational graph convolutional network (RGCN) ensemble dat data over competing endogenous RNA (ceRNA) en copy number variation (CNV) integreert om vijf prognostische biomarkers te identificeren, waaronder hsa-miR-196a en hsa-miR-224, voor verbeterde overlevingsvoorspelling en therapeutische targeting bij glioblastoom.
GlycoMeSH is een uitgebreide bron die de kloof tussen glycánstructuren en de biomedische context overbrugt door ze te koppelen aan Medical Subject Headings (MeSH) via een inferentiemodel en een traceerbare database, waardoor systematische verrijkingsanalyse over glycoswetenschappelijke datasets heen mogelijk wordt gemaakt.
PandaDock is een open-source moleculair dockingplatform dat flexibele ligand-conformationele zoektochten integreert met analytische gradiënten, gespecialiseerde modules voor complexe bindingsscenario's, en een schaalbare SE(3)-equivalente neurale netwerk-scorefunctie om competitieve prestaties te behalen op het gebied van pose-reconstructie en affiniteitsvoorspelling over diverse eiwit-liganddoelwitten.
Het artikel introduceert Mantpy, een ruimtelijk proteomica-framework dat de extracellulaire matrix en de interface ervan met cellen als ruimtelijke grafen representeert om gezamenlijke analyse, visualisatie en machine learning mogelijk te maken die verder gaan dan traditionele celcentrische benaderingen.
PerturbLDM is een conditioneel latent diffusie-framework dat vooraf is getraind op de Tahoe-100M-dataset en bestaande methoden overtreft in het nauwkeurig voorspellen en genereren van enkelcel-transcriptionele reacties op ongeziene combinatie van medicijn, dosis en cellijn over diverse biologische contexten heen.
Dit artikel으로 toont aan dat het toepassen van conformal prediction op de BayesAge epigenetische klok de generatie van distributievrije, gekalibreerde voorspellingsintervallen mogelijk maakt voor de schatting van de op DNA-methylatie gebaseerde leeftijd met behulp van een minimale set CpG-sites, waardoor het gebrek aan onzekerheidskwantificering in bestaande punt-schattingmodellen wordt aangepakt.
Dit artikel toont aan dat de detectie van cryptische bindingsplaatsen momenteel niet wordt beperkt door het vermogen om kandidaten voor te stellen, maar door gebrekkige rangschikking en een gebrek aan consensus, waarbij wordt onthuld dat het scheiden van dekking van conversiemetrieken significante prestatiekloven blootlegt en aantoont dat het combineren van geometrische en op taalmodellen gebaseerde detectoren binnen een strikt kandidaatatbudget de meest praktische verbeteringen oplevert.
De auteurs introduceren ProtInt, een deep learning-framework dat er succesvol in slaagt proteomische gegevens van kankercellijnen en patiënttumoren te integreren door de uitdagingen rondom ontbrekende waarden te overwinnen, waardoor het bestaande methoden overtreft en cruciale biologische verschuivingen onthult die nodig zijn om preklinische modellen beter af te stemmen op de klinische realiteit.
Deze systematische benchmarkstudie onthult dat de keuze van de computationele methode, in plaats van de onderliggende biologie, de primaire determinant is van in silico perturbatie-resultaten, aangezien de meeste veelgebruikte benaderingen er niet in slagen causale transcriptiefactor-naar-pathway-signalen te detecteren en vaak conclusies produceren die in strijd zijn met experimentele CRISPRi-validatie.