1235 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.
Deze studie toont aan dat het systematisch aanpassen en diversifiëren van MSA- en template-invoer de voorspellingsnauwkeurigheid van AlphaFold3 voor eiwitmonomeren, multimeren en eiwit-ligandcomplexen aanzienlijk verbetert en bovendien voor het eerst aantoont dat AlphaFold3, onder gelijke inputcondities, significant beter presteert dan AlphaFold2.
De studie toont aan dat AlphaFold 3 voornamelijk afhankelijk is van de evolutionaire diversiteit in meervoudige sequentie-uitlijningen om structurele priors te activeren en nauwkeurige voorspellingen te doen, waarbij een paar divergente homologen effectiever zijn dan vele bijna-identieke sequenties.
De auteurs presenteren een netwerkgebaseerde methode die cross-dataset proteomische profielen integreert op basis van de richting van veranderingen (fold-change), waardoor biologisch betekenisvolle relaties tussen heterogene datasets, zoals die rondom doxorubicine en borstkanker, kunnen worden onthuld.
Het artikel introduceert SCIGMA, een schaalbaar en generaliseerbaar deep learning-framework dat onzekerheidsbewuste contrastieve leer en multi-view graafneuraalnetwerken combineert om tot vijf ruimtelijke multi-omics-modi op grote schaal te integreren, waardoor de interpretatie van weefselcomplexiteit en de detectie van biologische variatie aanzienlijk worden verbeterd.
CHORD is een nieuw raamwerk voor de integratie van single-cell transcriptomische data over verschillende soorten, dat gezamenlijke representaties van genen, cellen en celtypen leert om geconserveerde en divergente hiërarchieën te onthullen, celtypen te annoteren en continue fenotypische variatie te vergelijken.
Dit artikel introduceert LinkD, een geïntegreerd platform dat structure-informeren diffusiemodellen, selectiviteitscores, celphenotypische validatie en klinische EHR-data combineert om de drugherbestemming op moleculaire, fenotypische en klinische schalen te versnellen en te valideren.
BioEngine is een schaalbaar uitvoerings- en aanpassingslaag die biologen in staat stelt om geavanceerde bioimage-AI-modellen eenvoudig te testen, aan te passen en in te zetten via een agent-leesbaar interface, ongeacht de beschikbare hardware.
Dit artikel introduceert PEACE, een lichtgewicht pipeline die ProtTrans-embeddings combineert met prototype-bewust contrastief leren om effectoren van pathogene schimmels en oömyceten nauwkeuriger te identificeren dan de huidige standaard EffectorP 3.0, vooral in scenario's met extreme klassenonevenwichtigheid.
Deze studie introduceert GTStrDTI, een hiërarchisch transformer-framework dat graf-attention en cross-modale attention combineert om de bindingaffiniteit tussen medicijnen en doelen nauwkeuriger te voorspellen door zowel 3D-structurele eiwitgegevens als moleculaire interacties te integreren, wat resulteert in superieure prestaties ten opzichte van bestaande methoden.
Deze studie toont aan dat een geautomatiseerd agent-gestuurd zoekbeleid peptide-kandidaten voor medicijnontwikkeling effectiever rangschikt dan traditionele menselijke methoden, waardoor 65% van de beste kandidaten in de top-20 wordt geselecteerd.