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.
De auteurs presenteren FLAG-X, een Python-package die de kloof tussen handmatige en geautomatiseerde flowcytometrie-analyse overbrugt door state-of-the-art machine learning-methoden te integreren met expert-annotaties in hybride workflows, waarmee zij het gebrek aan standaardisatie en efficiëntie in routinematige klinische gating aanpakken.
Het artikel introduceert cryoPARES, een gesuperviseerde deep learning-methode die de uitlijning van Cryo-EM-beelden versnelt en real-time, geautomatiseerde structurele bepaling voor medicijnontwikkeling mogelijk maakt door gebruik te maken van voorafgaande pose-informatie en handmatige interventie te elimineren.
Deze studie pakt de uitdagingen met betrekking tot de reproduceerbaarheid van colorimetrische Loop-Mediated Isothermal Amplification (LAMP) aan door een machine learning-classificatiemodel te ontwikkelen dat thermodynamische en sequentiekenmerken, in het bijzonder van F1c- en B1c-primers, gebruikt om het succes van de assay te voorspellen en de getrouwheid van het primerontwerp te verbeteren.
Deze studie toont aan dat intra-slide kalibratietechnologie, wanneer gecombineerd met computationele analyse, de harmonisatie en reproduceerbaarheid van p53 immunohistochemische assays over verschillende anatomische pathologielaboratoria aanzienlijk verbetert, waardoor meer objectieve diagnostische besluitvorming in de neuro-oncologie wordt ondersteund.
DDI_single is een nieuw algoritme gebaseerd op een enkele sequentie dat het ESM-1b eiwittaalmodel en een gated cross-attention module benut om interdomein residu-interacties nauwkeurig te voorspellen, waardoor het een superieure nauwkeurigheid bereikt bij het assembleren van multi-domein eiwitstructuren vergeleken met bestaande methoden zoals trRosettaX_single.
Deze studie introduceert een deep-learningmodel dat individuele hersentopografiemappen succesvol vertaalt naar functionele connectomen, waardoor een directe link wordt gelegd tussen ruimtelijke organisatie en netwerkconnectiviteit om diverse rsfMRI-onderzoeksperspectieven te verenigen.
Het artikel introduceert een bijgewerkte versie van de TRACEY-resource die de annotatie van SNARE-proteïnedomeinen aanzienlijk verbetert door een enorm uitgebreide, niet-redundante dataset van bijna 19.000 gecureerde sequenties te integreren om verbeterde HMM-profielen te genereren en een herontworpen webinterface voor een nauwkeurigere detectie van divergente en lineagespecifieke paralogen.
Deze studie toont aan dat acute vasten kleine, systematische verschuivingen induceert in specifieke epigenetische klokken — met name de PC-gebaseerde en SystemsAge-varianten — gedreven door de herverdeling van immuuncellen, terwijl mortaliteit-getrainde klokken stabiel blijven, wat benadrukt dat de betrouwbaarheid van een klok contextafhankelijk is en een perturbatie-specifieke beoordeling vereist die verder gaat dan standaard ICC-metrieken.
Het artikel introduceert CLASPP, een uniek model voor het voorspellen van diverse posttranslationele modificaties dat uitdagingen rondom data-imbalans overwint door middel van contrastief leren, hiërarchische datacuratie en een meerfasige trainingsstrategie om de nauwkeurigheid van voorspellingen over verschillende organismen heen te verbeteren.
BacteReason is een gefinetuned groot taalmodel dat de antibioticaresistentie van bacteriën voorspelt en mechanistische rationales verstrekt door gebruik te maken van een kennisgegronde docentmodellen, wat resulteert in een significant verbeterde voorspellingsnauwkeurigheid ten opzichte van baseline-benaderingen.