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.
Deze studie presenteert PredHLM, een kwantitatief en interpreteerbaar op XGBoost gebaseerd machine learning-model dat is getraind op bijna 12.000 verbindingen en accuraat de metabole halfwaardetijd in menselijke levermicrosomen voorspelt en belangrijke chemische drijfveren identificeert om snelle besluitvorming in de vroege fase van medicijnontwikkeling te ondersteunen.
Het artikel introduceert stGP, een statistisch kader dat spatiotemporele transcriptomische gegevens deelt in temporele en ruimtelijke componenten om interpreteerbare, celtype-specifieke genprogramma's te identificeren, waardoor wordt onthuld hoe dynamische weefselarchitecturen en gelokaliseerde cellulaire reacties evolueren over de tijd en door anatomische niches.
Het artikel introduceert DL4DR, een twee-toren residuële late-fusie diepe leerarchitectuur die de respons op medicijnen bij pan-borstkanker voorspelt door cellijnen te coderen als genomische afbeeldingen en moleculaire representaties te combineren, waardoor een superieure generalisatie naar onbekende cellijnen en kankertypes wordt bereikt terwijl nieuwe genomische drivers worden geïdentificeerd zonder afhankelijk te zijn van de identiteit van de cellijn.
Het artikel introduceert hmSEEKR, een op k-mer gebaseerd Hidden Markov Model dat transcriptomen scant om niet-lineaire, domein-niveau sequentiegelijkenissen in lange niet-coderende RNA's te identificeren, waardoor de ontdekking van functioneel gerelateerde RNA-domeinen en hun geassocieerde eiwitinteractienetwerken mogelijk wordt zonder dat voorafgaande kennis van sequentie-uitlijning vereist is.
Het artikel introduceert AllTheBacteria, een uitgebreide gemeenschapsbron die bijna 2,5 miljoen publieke bacteriële genomen uniform verwerkt om grootschalig biologisch onderzoek mogelijk te maken en demonstreert succesvol het nut ervan door het ontdekken en valideren van nieuwe peptideantibiotica via AI-gestuurde mining.
Het artikel introduceert PHI, een gebruiksvriendelijke en geautomatiseerde Galaxy-gebaseerde workflow die reproduceerbare profaagidentificatie, voorspelling van gastheerinteractie en functionele karakterisering stroomlijnt, terwijl gestandaardiseerde rapporten worden gegenereerd om de drempels voor zowel experts als niet-experts in viraal genomics-onderzoek te verlagen.
Dit artikel introduceert BGC-MLM, een foundation model dat is voorgetraind op niet-gelabelde biosynthetische genclustersequenties, wat de voorspelling van eigenschappen, bioactiviteit en structurele gelijkenis van natuurlijke producten aanzienlijk verbetert, waardoor de efficiëntie van genomische mijnbouw voor nieuwe natuurlijke producten wordt vergroot.
De 2026-update van Scop3P vormt een belangrijke uitbreiding van deze proteomica-geïnformeerde kennisbank door 152.350 uniform herverwerkte humane fosforyleringsplaatsen te integreren met uitgebreide structurele, biofysische, evolutionaire en mutationele annotaties om een schaalbare, herkomstbewuste bron te bieden voor de interpretatie van fosforylering in functionele en pathologische contexten.
Deze studie evalueert de prestaties van AlphaFold2, AlphaFold3 en enhanced sampling-protocollen bij het modelleren van antigeenherkenning door antilichamen en TCR, waarbij wordt aangetoond dat hoewel verhoogde sampling en AlphaFold3 de nauwkeurigheid over het algemeen verbeteren, het succes significant varieert tussen complexe typen en verder kan worden versterkt door het poolen van complementaire modellen.
Dit artikel definieert en analyseert het NP-volledige probleem van het selecteren van genomische blokken uit meerdere brongenomen om polygene eigenschappen te optimaliseren, en stelt een reeks algoritmen voor—waaronder een gecertificeerde Branch-and-Bound-solver, een snelle Block-Coordinate-Descent-heuristiek en een semidefiniete programmeringsrelaxatie—die gezamenlijk optimale of bijna optimale oplossingen bieden met theoretische garanties en empirische validatie op simulaties op gist-schaal.