1238 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 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.
Dit artikel presenteert een uitgebreide benchmarkstudie die diverse methoden voor biomarkeridentificatie en prognostische modellering op censureerde genomische data evalueert, waarbij CoxBoost en Adaptive LASSO als de meest robuuste methoden naar voren komen voor verschillende datasetkenmerken.
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 machine learning-modellen, getraind op DNA-sequenties van door bijen verzameld stuifmeel, de herkomst van monsters nauwkeurig kunnen voorspellen, zelfs zonder tijdrovende taxonomische classificatie.
Dit paper introduceert circStudio, een Python-pakket dat de preprocessing, analyse en wiskundige modellering van actigrafiedata verenigt in één flexibel raamwerk om reproduceerbare workflows voor circadiaan biologisch onderzoek te faciliteren.
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.
Dit onderzoek toont aan dat het combineren van mutatiedetectie met fragmentomische kenmerken, zoals fragmentlengte en end-motieven, de detectie van circulerend tumor-DNA bij colorectale kanker verbetert en een schaalbare, trainingsvrije strategie biedt voor het beoordelen van minimale residuale ziekte en het vroegtijdig opsporen van recidieven.
Deze studie presenteert een door AlphaFold2 aangedreven de novo-ontwerpstrategie voor een cyclisch peptideligand dat Complement C1q specifiek en efficiënt zuivert uit menselijk plasma, waardoor een snelle, goedkope en gentech-vrije alternatief voor antilichaamgebaseerde chromatografie wordt geboden.