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.
Panomap is de eerste signal-ruimte mapper die pangenoom variatiegrafen gebruikt om referentiebias te elimineren en de mapping-nauwkeurigheid voor diverse nanopore monsters te verbeteren, terwijl een compacte, schaalbare index behouden blijft.
Dit artikel introduceert een continu-tijd eiwitevolatiemodel geparametriseerd door een generatief Potts-model om epistatische effecten te simuleren, wat onthult dat hoewel epistasie de algehele evolutie vertraagt en systematische onderschatting van evolutionaire afstanden veroorzaakt, het de gemiddelde locatie-specifieke snelheden niet verandert vanwege contextafhankelijke snelheidsheterogeniteit.
Deze studie toont aan dat het verfijnen van plasma spectrale bibliotheken door niet-representatieve peptiden uit te sluiten, de precisie, nauwkeurigheid en computationele efficiëntie van data-onafhankelijke acquisitie (DIA) proteomica relatieve kwantificering significant verbetert zonder de eiwitidentificatie in gevaar te brengen.
MKMC is een schaalbare, referentievrije toolkit die k-mer statistieken benut om robuuste RNA-seq-analyse mogelijk te maken over model- en niet-modelorganismen heen, waarbij het succesvol biologische signalen en isoform-specifieke gebeurtenissen detecteert die traditionele alignment-gebaseerde methoden vaak ontgaan.
De auteurs presenteren CircDiscoverer, een uitgebreide, gebruiksvriendelijke webbron die handmatig gecureerde en computationeel voorspelde gegevens integreert om circRNA-eiwitinteracties en RNA-modificatielandschappen te verkennen over meerdere soorten heen, waaronder mensen, muizen, fruitvliegjes en planten.
Dit artikel introduceert een interactief framework voor het benchmarken van wetenschappelijke programmeeragenten met behulp van ruimtelijke transcriptomics-uitlijningstaken, waarbij wordt onthuld dat hoewel een rijkere contextuele omgeving de exploratie van tools vergroot, dit de prestaties kan verslechteren door het induceren van fragiele workflows en onnodige transformaties, wat daarmee de noodzaak benadrukt om agent-traces naast de uiteindelijke outputs te evalueren.
LeafRank is een nieuw fylodynamisch raamwerk dat single-cell DNA-seq fylogenieën en een multi-type vertakkingsprocesmodel benut om de relatieve fitness van individuele cellen in chromosomaal instabiele tumoren te infereren, waarbij het succesvol de groeiheterogeniteit kwantificeert en onthult dat fitness in lineages met een hele-genoomduplicatie wordt verworven door daaropvolgende veranderingen in plaats van door onmiddellijke voordelen.
Rectangle is een robuust en schaalbaar Python-framework dat multiscale-deconvolutie en expliciete modellering van onbekende inhoud benut om celfenotypen in bulk RNA-seq-data nauwkeurig te resolveren met behulp van single-cell referenties, waardoor hoogwaardige cellulaire profilering op populatieschaal mogelijk wordt.
Dit artikel toont aan dat coderende agenten automatisch interpreteerbare, zero-shot single-cell embeddingmodellen kunnen genereren door in de literatuur geciteerde genprogramma's te extraheren en samen te stellen tot benoemde assen, waarbij een biologische kwaliteit wordt bereikt die vergelijkbaar is met datagestuurde methoden, terwijl inherent batch-robuustheid en interpreteerbaarheid worden gewaarborgd zonder dat training of voorafgaande gen-set-databases vereist zijn.
EZSolver is een sjabloonvrij, generatief framework dat flow matching en evaluator-gestuurde bidirectionele zoektocht benut om polar enzymatische reactiemechanismen voor out-of-distribution chemie nauwkeurig te voorspellen, waarmee de generalisatiebeperkingen van traditionele regelgebaseerde modellen wordt overwonnen.