1012 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 onthult dat het wijdverbreide gebruik van ongeldige statistische toetsen die de afhankelijkheid tussen cross-validatie-folden negeren in biomedisch machine learning leidt tot opgeblazen rates van vals-positieve resultaten, wat de auteurs ertoe aanzet het SHARP-test voor te stellen als een robuuste oplossing en nieuwe rapportagerichtlijnen te bieden voor een geldige modelvergelijking.
Dit artikel stelt een botsingsbewuste momentenmethode-schatter voor die nauwkeurige RNA-seq-kwantificatie mogelijk maakt met kortere, niet-unieke UMIs, waardoor de kosten voor sequencing en synthese worden verlaagd zonder afbreuk te doen aan biologische inzichten.
GlyComboCLI is een flexibel, open-source commandoregelprogramma dat de toewijzing van glycane samenstellingen voor massaspectrometriedata automatiseert, waardoor FAIR-conforme, schaalbare bioinformatica-werkstromen mogelijk worden die de handmatige interpretatie aanzienlijk verminderen terwijl reproduceerbare resultaten worden gewaarborgd.
Het artikel introduceert geneML, een snelle en open-source deep learning-tool die de nauwkeurigheid, gevoeligheid en biologische volledigheid van de voorspelling van genen en alternatieve transcripten in diverse schimmelgenomen ten opzichte van bestaande methoden zoals BRAKER3 en AUGUSTUS aanzienlijk verbetert.
Het artikel introduceert NMFBatch, een unificerend statistisch raamwerk dat discrete batch-effecten en continue signaalschommelingen gelijktijdig corrigeert en tegelijkertijd ontbrekende waarden verwerkt in grootschalige en single-cell massaspectrometrie-proteomica, waardoor de biologische structuur behouden blijft en informatieverlies in vergelijking met bestaande methoden wordt verminderd.
ParaDISM is een open-source pipeline die de precisie van short-read-uitlijning en variantdetectie in sterk homologe genomische regio's verbetert door gebruik te maken van meervoudige sequentie-uitlijningen om onderscheidende posities te identificeren en referentiesequenties iteratief te verfijnen, waardoor misaligneringsartefacten en valse variantroepingen in vergelijking met standaard-uitlijnprogramma's aanzienlijk worden verminderd.
zFISHer is een open-source, op napari gebaseerde applicatie die de 3D-registratie, detectie en colocalisatie-analyse van sequentiële multiplexe FISH-gegevens automatiseert, terwijl het interactieve curatiehulpmiddelen biedt om de arbeidsintensieve knelpunten van handmatige analyse te overwinnen.
OmniCellAgent is een multi-agent AI-framework dat autonoom diverse single-cell RNA-sequencingdatasets ophaalt en integreert met biomedische voorkennis om evidence-based hypothesen te genereren en de door omics gedreven wetenschappelijke ontdekking te versnellen voor onderzoekers zonder informatica-achtergrond.
Door fylogenetische bomen te construeren uit meer dan 100.000 influenzasequenties, schat deze studie neutrale mutatiesnelheden en fitness-effecten per positie in het virale proteoom, waarbij aanzienlijke variatie tussen mutatietypen wordt blootgelegd, sterke cross-virale correlaties met SARS-CoV-2 en HIV worden aangetoond, en een uitgebreide, interactieve bron wordt geboden om te begrijpen hoe mutatie en selectie de evolutie van influenza in de natuur vormgeven.
De auteurs ontwikkelden CharacTERT, een machine learning-tool die sequentie- en structurele kenmerken integreert om hTERT-missense-varianten geassocieerd met Telomeerbiologie-stoornissen nauwkeurig te classificeren, bestaande predictoren overtreft en via een vrij toegankelijke webserver een uitgebreid mutatielandschap biedt.