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.
De auteurs ontwikkelden "plant", een de novo computationele methode analoog aan chromatografie die de vergelijking, annotatie en kwantificatie van proteïnedomeinen over transcriptomen van niet-modelorganismen mogelijk maakt zonder een referentiegenoom te vereisen, zoals aangetoond door een analyse van *Selaginella*-soorten met 1KP RNA-seq-data.
Dit artikel toont aan dat een verbeterd generiek gegevensschema succesvol hoge-trouw koppeling en robuuste steekproeftraceerbaarheid waarborgt in complexe, multidisciplinaire, meerfasige malaria-vectorstudies in Tanzania, waarbij bijna perfecte gegevensintegratie wordt bereikt van veldverzameling via insectariumkweek tot laboratoriumanalyse.
Deze studie onthult dat zowel archaellum-gebaseerde motiliteit als F1-type chemosensitieve systemen waarschijnlijk via horizontale genoverdracht van Archaea naar Chloroflexota-bacteriën zijn overgebracht, waardoor een gedeelde evolutionaire traject tussen deze distincte domeinen wordt vastgesteld.
CardioSafe is een multi-task neurale netwerkmethode die chemische en transcriptomische kenmerken integreert om de activiteit van cardiale ionkanalen te voorspellen en presteert superieur ten opzichte van bestaande methoden nadat een reverse-leak audit besmetting van de trainingsdata had blootgelegd en verwijderd die eerder de benchmarkresultaten voor Nav1.5- en Cav1.2-kanalen had opgeblazen.
Deze studie maakt gebruik van onbevooroordeelde moleculair-dynamica-simulaties om de insertie-energetiek van 28 aminozuuranalogen in een POPC-bilayer te kwantificeren, waarbij diepteaafhankelijke vrije-energieprofielen worden gegenereerd die experimentele hydrofobiciteitsschalen succesvol reproduceren en de thermodynamische rollen van protoneringstoestanden en aromatische oriëntatie verduidelijken.
CausalKnowledgeTrace is een schaalbaar, op Python gebaseerd computatiefraamwerk dat de constructie van op bewijs gebaseerde causale grafieken uit biomedische literatuur automatiseert om systematisch verstorende factoren en biasstructuren te identificeren voor verbeterde causale inferentie in observationele studies.
Het artikel introduceert MucOneUp, een gespecialiseerd simulatiekader dat is ontworpen om benchmarkdatasets te genereren voor het evalueren van de prestaties van variantbepalingsinstrumenten bij het detecteren van MUC1-VNTR-frameshiftmutaties op meerdere sequentierplatforms.
Deze studie toont aan dat het ontbreken van een gestandaardiseerde methodologie bij het detecteren van antibioticaresistentiegenen leidt tot enorme discrepanties tussen analysepijplijnen, waardoor dezelfde metagenomische data tot tegenstrijdige biologische interpretaties leiden en onderstreept dat onderzoekers hun gekozen analytische benaderingen zorgvuldig moeten rechtvaardigen en communiceren.
Deze studie toont aan dat open-weight grote taalmodellen, met name Qwen2.5-32B-Instruct, synthetisch dodelijke interacties effectief kunnen voorspellen door gebruik te maken van vooraf getrainde biologische kennis om beter te presteren dan willekeurige kans en methoden zonder grote taalmodellen, en zo een schaalbaar en interpreteerbaar alternatief bieden voor het prioriteren van nieuwe therapeutische doelen bij kanker.
Dit artikel introduceert Latent-Aligned Multiview Normalizing (LAMNr)-flows, een deep learning-raamwerk dat gedeelde latente deelruimten leert over heterogene multimodale datasets om exacte-likelihood-modellering, cross-view imputatie in gesloten vorm en een computatiele anatomische interpretatie van populatietemplates en geodetische interpolatie mogelijk te maken, ondersteund door een uitgebreide open-source PyTorch-implementatie die is geïntegreerd met het ANTsX-ecosysteem.