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.
Deze studie presenteert de eerste uitgebreide benchmark van drie circRNA-detectietools voor Oxford Nanopore-sequencing, waarbij een nieuw, open-source simulatiekader werd ontwikkeld om de prestaties te evalueren en aan te tonen dat de combinatie van meerdere tools of verdere algoritmeverbeteringen noodzakelijk is voor nauwkeurige detectie.
Deze paper introduceert SI-ADMM, een nieuw raamwerk voor gekoppelde tensor-tensor factorisatie dat gebruikmaakt van zij-informatie om gelijktijdig effectieve medicijncombinaties en medicijn-medicijninteracties te voorspellen, zelfs voor nog niet eerder bestudeerde medicijnen.
Dit artikel introduceert t2pmhc, een op structuur gebaseerd grafisch neuronaal netwerk dat de binding tussen T-celreceptoren en pMHC-complexen nauwkeuriger voorspelt dan bestaande sequentiegebaseerde methoden, waardoor betere generalisatie naar onbekende antigenen mogelijk wordt.
Dit paper introduceert RigidSSL, een geometrisch voortrainingsframework dat rigide-bewuste zelftoezichtlering en stromingsmatching combineert om zowel de ontwerpbare eigenschappen als de conformationele diversiteit van eiwitten te verbeteren door dynamische en rigide structurele informatie gezamenlijk te modelleren.
ProtNHF is een generatief model dat gebruikmaakt van neurale Hamiltoniaanse stromen om tijdens de inferentie continue en controleerbare aanpassingen aan te brengen in eiwitsequenties via analytische biasfuncties, zonder dat het model opnieuw getraind hoeft te worden.
Dit artikel introduceert CellSweep, een efficiënt en effectief hulpmiddel dat ambient- en bulkverontreiniging uit single-cell genomics-data verwijdert en hiermee andere methoden overtreft.
Deze studie introduceert een splitsings- en samenvoegingsstrategie voor variabele venstergroottes in fylogenomische analyses, die de beperkingen van vaste venstergroottes overwint en betere resultaten oplevert bij het reconstrueren van genboomtopologieën in zowel gesimuleerde datasets als bij vlinders en grote apen.
Dit artikel introduceert SLiMMine, een diep-leermethode die de menselijke proteoom analyseert om korte lineaire motieven (SLiMs) nauwkeurig te voorspellen en valse positieven van traditionele methoden met ongeveer 80% reduceert, waardoor zowel bekende als ongekarakteriseerde eiwit-interacties beter kunnen worden geïdentificeerd.
Dit paper introduceert Latent Space Dynamics (LSD), een thermodynamisch geïnspireerd framework dat celdifferentiatie modelleert als evolutie op een geleerde Waddington-landschap in een latente ruimte, waarmee nauwkeurige trajecten worden gereconstrueerd, celfate voorspeld en plasticiteit gekwantificeerd.
Deze paper presenteert een GPU-gebaseerde implementatie van kallisto voor RNA-seq transcriptkwantificering die, dankzij een grondige herontwerp van de kernalgoritmen voor massale parallelle verwerking, een snelheidswinst van 30 tot 50 keer haalt ten opzichte van de multithreaded CPU-versie.