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.
Deze paper introduceert Buscar, een open-source Python-pakket dat de aggregatiebias in high-content screening oplost door gebruik te maken van volledige single-cell heterogeniteit om zowel de werkzaamheid als de specificiteit van perturbaties te kwantificeren.
Dit onderzoek combineert gericht genoommining met structurele modellering om meer dan 900 nieuwe biosynthetische genclusters voor 7-deazapurine-bevattende metabolieten in bacteriën te identificeren en hun enzymatische mechanismen te onthullen.
DOME Copilot is een oplossing die grote taalmodellen gebruikt om gestructureerde rapporten van AI-methoden uit wetenschappelijke publicaties te extraheren, waardoor transparantie en reproduceerbaarheid in de levenswetenschappen worden vergemakkelijkt.
Dit artikel beschrijft de kalibratie van acht computationele tools voor het voorspellen van de pathogeniciteit van in-frame indels, waarbij specifieke drempelwaarden voor klinische classificatie zijn vastgesteld die, ondanks een lagere prestatie dan die van missense-voorspellers, waardevolle bewijskracht bieden volgens de ACMG/AMP-richtlijnen.
Deze studie concludeert dat bij het voorspellen van overleving met immuuntherapie in diverse kankersoorten klinische variabelen de voorspellende waarde sterk domineren, terwijl de toegevoegde waarde van genomische kenmerken zoals tumormutatiebelasting beperkt blijft.
LagCI is een nieuw computergestuurd framework dat, door het analyseren van volledige correlatieprofielen in plaats van simpele kruiscorrelaties, betrouwbare tijdsvertragingen in causale relaties kan afleiden uit dichte multi-omics tijdreeksen, wat leidt tot een gedetailleerd netwerk van moleculaire interacties dat de timing van metabole en immuunresponsen onthult.
Deze studie toont aan dat het inbedden van microbieel-gemeenschapsmodellen in een ruimtelijk gefragmenteerd landschap de discrepantie tussen theoretische voorspellingen en empirische waarnemingen oplost, waarbij de veelvoorkomende gamma-verdeling van overvloedigheden het resultaat is van ruimtelijke aggregatie en niet van de onderliggende lokale dynamiek.
Dit paper introduceert PeptideCLM-2, een suite van chemische taalmodellen die is getraind op meer dan 100 miljoen moleculen om therapeutische peptiden effectiever te modelleren en zo de voorspellende prestaties voor ontwikkelingsdoeleinden zoals membraandiffusie, tumorhoming en halfwaardetijd te verbeteren.
Deze studie presenteert een agent-gestuurde workflow voor het *de novo* ontwerpen van nanobodies tegen een nieuw kankerdoelwit, waarbij een computergestuurde selectie van 288.000 ontwerpen resulteerde in 46 functionele binders met nanomolaire affiniteit, wat de haalbaarheid bewijst van het ontwikkelen van therapeutische binders zonder experimentele structuurdata of eerdere antilichaaminformatie.
Dit onderzoek introduceert een onzekerheidsbewust benchmarking-framework dat, door gebruik te maken van herclassificeerde GENCODE-data en uitgebreide kenmerken zoals herhalingen, de ambiguïteit in de classificatie van mRNA versus lncRNA onthult en inzicht geeft in de sequentiekenmerken die tot classificatie-onzekerheid leiden.