1242 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.
Het artikel introduceert PSALM, een methode die een voorgeprogrammeerd eiwit-taalmodel combineert met een gestructureerde decoder om eiwitdomeinen te annoteren met een prestatie die vergelijkbaar is met de gevestigde HMMER-tool, maar met een hogere dekking bij minder strenge drempelwaarden.
Dit onderzoek introduceert 'aminozuur-substitutomics', een nieuwe proteomische pipeline die met behulp van PIPI-C post-translationele aminozuursubstituties in kankersystemen in kaart brengt, waardoor nieuwe biologische mechanismen en onthullingen over resistentie en immuunontsnapping worden ontdekt die niet uit genomische of transcriptomische data kunnen worden afgeleid.
Deze bioinformatische studie toont aan dat de overexpressie van het ITGB1-geen geassocieerd is met een slechte prognose en therapeutische resistentie bij twaalf verschillende kankertypes, wat het een veelbelovende biomarker maakt voor de behandeling van kanker.
Deze systematische review concludeert dat hoewel diepe representatieleren, met name variational autoencoders, veel wordt toegepast voor subtypering en prognose in kankeromics, de beperkte beschikbaarheid van longitudinale data de modellering van de tijdsafhankelijke dynamiek van kankerprogressie belemmert, wat een kans biedt voor toekomstige generatieve modellen gericht op tijdsgerelateerde inzichten.
Deze studie introduceert EnzyGen2, een krachtig AI-model dat in staat is om gelijktijdig sequentie en structuur van volledig nieuwe enzymen te ontwerpen die onder leiding van liganden functioneren, waarbij experimentele validaties aantonen dat deze kunstmatige enzymen vergelijkbare of superieure katalytische activiteit vertonen ten opzichte van natuurlijke enzymen.
Dit artikel introduceert Flipper, een geavanceerd framework dat het DESeq2-model aanpast om eCLIP-gegevens te analyseren en zo een robuuste, specifieke en gevoelige methode biedt voor het identificeren van differentiële RNA-bindingsgedragingen van RNA-bindende eiwitten, waarbij technische variatie en expressie-gedreven effecten correct worden verwerkt.
Het artikel introduceert CCIDeconv, een hiërarchisch model dat subcellulaire cel-celinteracties in niet-spatiale scRNA-seq-data voorspelt door gebruik te maken van een aangepaste score en trainingsdata van ruimtelijke transcriptomics.
Dit onderzoek toont aan dat chronische parodontitis een irreversibele transcriptie-hysteresis vertoont die wordt gekwantificeerd door een nieuw Regenerative Permission Index (RPI)-model, wat aangeeft dat weefselherstel in ernstige stadia onmogelijk is en een basis vormt voor gepersonaliseerde regeneratieve geneeskunde.
Dit artikel introduceert BlueSTARR, een opnieuw trainbaar deep-learningkader dat gegevens van whole-genome STARR-seq-assays gebruikt om de effecten van niet-coderende genetische variaties op genregulatie te voorspellen en evolutionaire selectiepatronen te onthullen.
Dit paper introduceert IDBSpred, een machine-learningmodel dat gebruikmaakt van ESM-2-embeddings om intrinsiek ongeordende eiwit-bindingsplaatsen op gestructureerde eiwitten op residuniveau nauwkeurig te voorspellen.