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.
CoLa-VAE is een nieuw diep generatief framework dat cel-celcommunicatie expliciet integreert in het leren van latente variabelen via dynamische graf-Laplacian-regularisatie, waardoor het zowel intrinsieke transcriptie-heterogeniteit als extrinsieke signaalkontext effectief ontrafelt en superieure prestaties levert ten opzichte van bestaande methoden.
Dit artikel introduceert de Celiac Microbiome Repository (CMR), een open-access database die verspreide celiakie-gedata harmoniseert en heranalyseert om grootschalige meta-analyses en machine learning-toepassingen in celiakie-onderzoek mogelijk te maken.
KuafuPrimer is een machine learning-gestuurde methode die de ontwerp van 16S-rRNA-primers optimaliseert om voorkeur voor specifieke bacteriegemeenschappen te minimaliseren, wat leidt tot een aanzienlijke verbetering in taxonomische nauwkeurigheid en de detectie van sleutelpathogenen zoals *Clostridioides difficile* in vergelijking met universele primers.
Deze paper introduceert GIDEON, een nieuw framework op basis van lineaire programmering dat gebruikmaakt van verbeterde wegingsschema's om grotere en functioneel rijker collecties van tussentijdse modellen (BPMs) te identificeren in genetische interactienetwerken van gist, waardoor nieuwe inzichten in compenserende paden en potentiële antischimmelmiddelen worden verkregen.
HORI-EN is een geüpdatet computergestuurd hulpmiddel dat atomaire stabiliteit en cooperatieve interactienetwerken in eiwitten analyseert door een hybride energetische scoring te combineren met graaftheoretische methoden, waarmee het met succes mutatiehotspots identificeert, decoy-structuren onderscheidt en evolutionaire energiepatronen onthult.
Dit artikel beschrijft een methode voor het analyseren van biologische netwerken met behulp van Krylov-trajectoien, afgeleid van de rijen van een Krylov-deelruimtematrix berekend via machtsiteratie met een specifieke initiële vector, en demonstreert de nuttigheid ervan voor gemeenschapsdetectie en perturbatieanalyse in het neurale netwerk van *C. elegans*.
MetaGEAR Explorer is een gratis webplatform dat interactieve zoekopdrachten en cross-cohort analyses mogelijk maakt voor het identificeren van ziekte-geassocieerde microbiële genen in inflammatoire darmziektes en darmkanker, door middel van een uitgebreide catalogus van meer dan 33 miljoen genfamilies uit 9.053 metagenomische samples.
Dit artikel introduceert TEA-GCN, een geavanceerde methode voor het construeren van gen-co-expressienetwerken uit publieke transcriptoomdata die, door gebruik te maken van ongesuperviseerde dataset-partitionering en ensemble-scoring, superieure prestaties levert in het voorspellen van genfuncties, het afleiden van regulerende netwerken en het waarborgen van biologische interpretatie en cross-species conservatie.
Dit artikel toont aan dat het AI-model Boltz-2, getest op een uitdagende dataset van tien ultra-grote virtuele screeningslijsten, de beste prestaties levert bij het voorspellen van eiwit-ligand-interacties en binding, met een succesratio die twee keer zo hoog is als die van andere herscoresstrategieën.
Dit artikel introduceert SIR, een niet-parametrisch framework dat isotone regressie en wilde bootstrap gebruikt om betrouwbare p-waarden en geconvergeerde interactieoppervlakken te genereren voor de statistische inferentie van drugsynergie, wat leidt tot een hogere reproduceerbaarheid en lagere faalpercentages dan bestaande methoden.