768 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.
PhosSight is een geünificeerd deep learning-framework dat de identificatie en snelheid van fosfoproteoomanalyse verbetert door specifieke fysisch-chemische kenmerken te benutten, wat leidt tot een dieper inzicht in biologische processen en de ontdekking van nieuwe doelwitten voor precisiestudies in de oncologie.
FAMUS is een nieuw contrastief leerframework dat de functionaliteit van eiwitten op grote schaal nauwkeuriger voorspelt door query-sequenties te vergelijken met profiel-HMM-databases in plaats van alleen te vertrouwen op de meest vergelijkbare hit, waardoor het de bestaande annotatietools overtreft.
In dit artikel wordt SCL2205 gepresenteerd, een hoogwaardig dataset voor het voorspellen van subcellulaire localisatie van eiwitten, die is ontwikkeld om datalekken te minimaliseren en de prestaties van deep learning-modellen aanzienlijk te verbeteren ten opzichte van de huidige stand van de techniek.
Dit onderzoek toont aan dat fosforylering van een ASXL2-epitoot de bindingsaffiniteit en conformationele dynamiek van het peptide-HLA-complex verandert, wat een structureel-dynamische basis biedt voor het rationeel selecteren van tumor-specifieke doelen voor immunotherapie.
Dit paper introduceert STAR Suite, een door AI ondersteunde modernisering van de STAR-aligner binnen het NIH MorPhiC-consortium, die door het integreren van functionaliteit direct in de C++-broncode de prestaties verbetert en de noodzaak van tussenbestanden elimineert.
Dit onderzoek toont aan dat een ensemble-benadering van genomische voorspellingsmodellen, uitgevoerd via de EasiGP-pijplijn, de voorspellingsnauwkeurigheid voor bloeitijdskenmerken bij maïs verbetert door de complementaire sterkten van individuele modellen te benutten en voorspelfouten te compenseren.
ChatSpatial is een platform dat met behulp van schema-geforceerde agentische orkestratie en het Model Context Protocol (MCP) meer dan 60 methoden uit de Python- en R-ecosystemen voor ruimtelijke transcriptomics in één conversational workflow verenigt, waardoor reproduceerbare en cross-platform analyses mogelijk worden zonder dat onderzoekers zich hoeven te verdiepen in complexe code.
Deze studie biedt een systematische benchmark van methoden voor het ontrafelen van weefsel- en celtypeherkomst in plasma cfRNA, waarbij wordt geconcludeerd dat weefselherkomst-inferentie robuuster is dan celtype-inferentie en dat de keuze van de methode en referentie cruciale bronnen van variabiliteit vormen.
Dit artikel introduceert Fractal, een ecosysteem bestaande uit een taakspecificatie en een platform dat schaalbare, reproduceerbare en FAIR-compliant biobeeldanalyse mogelijk maakt door gebruik te maken van de open OME-Zarr-formaat.
Dit artikel presenteert een benchmarkstudie waarbij 80 fenotypes uit de openSNP-dataset worden geanalyseerd met diverse machine learning-, deep learning- en polygenic risk score-methoden, waarbij wordt geconcludeerd dat machine learning voor 44 fenotypes beter presteert dan traditionele polygenic risk score-tools, die op hun beurt voor 36 fenotypes superieur zijn.