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.
Het paper introduceert snputils, een open-source Python-bibliotheek die hoge prestaties, schaalbaarheid en reproduceerbaarheid biedt voor het integreren, analyseren en visualiseren van genetische variatie en populatiestructuur in biobank-grootte datasets.
Deze studie biedt een uitgebreide evaluatie van zeven actief onderhouden bioinformatica-tools voor het genotyperen van tandemherhalingen in Nanopore-genomen, waarbij wordt geconcludeerd dat er geen enkele methode perfect is voor alle scenario's en dat sequentieniveau-validatie essentieel is voor nauwkeurige selectie in populatiestudies en klinische diagnostiek.
scUnify is een unificerend framework dat de praktische toepasbaarheid en schaalbaarheid van single-cell foundation modellen voor zero-shot inferentie verbetert door een gestandaardiseerde, modulaire workflow te bieden die automatisch omgevingsisolatie, preprocessing en multi-GPU-inferentie beheert.
Dit onderzoek toont aan dat het meta-learning-framework STUNT slechts een beperkt voordeel biedt voor de classificatie van microbiome-gebaseerde ziekten bij extreem weinig data, maar dat deze prestaties snel achteruitgaan bij meer samples, wat wijst op de noodzaak van methoden die ziekte- en cohortspecifieke variatie beter behouden.
Dit artikel introduceert DartUniFrac, een nieuw algoritme met GPU-versnelling dat de UniFrac-berekening tot drie orden van grootte versnelt door het te koppelen aan gewogen Jaccard-gelijksoortigheid en schetsalgoritmen, waardoor het schaalbaar wordt tot miljoenen monsters en miljarden taxa met statistisch vergelijkbare resultaten als exacte methoden.
Dit paper introduceert RankMap, een efficiënt R-pakket dat op rangorde gebaseerde referentie-mapping gebruikt voor snelle en robuuste annotatie van celtypen in ruimtelijke en single-cell transcriptomics, met name geschikt voor grote datasets en platforms met beperkte genpanels.
Deze studie introduceert een nieuw kader dat gespecialiseerde transcriptomische correctiemethoden combineert met diepe representatieleren om multi-modale ruimtelijke transcriptomiedata van verschillende patiënten en weefsels effectief te aligneren, waardoor cellen op basis van hun type in plaats van dataset-specifieke variabiliteit worden gegroepeerd.
Deze studie toont aan dat, ondanks het genereren van structureel plausibele complexen, de interne betrouwbaarheidsscores van AI-gestuurde structuurvoorspellingsmethoden zoals AlphaFold3 vaak falen in het onderscheiden van echte antilichaam-antigeen interacties van onjuiste koppelingen, wat aangeeft dat deze scores niet inherent gekalibreerd zijn voor bindingspecificiteit.
Deze studie toont aan dat het trainen van sparse autoencoders op verborgen representaties van single-cell foundation-modellen interpreteerbare biologische en technische kenmerken onthult, waardoor het mogelijk wordt om deze modellen te sturen en ongewenste technische effecten te verminderen.
In dit artikel wordt AlterNet voorgesteld, een pionierend bioinformatica-pipeline dat voor het eerst alternatieve splicing in overweging neemt om genregulatienetwerken op transcript-niveau te reconstrueren, waardoor nieuwe biologisch relevante interacties worden ontdekt die op gen-niveau onzichtbaar blijven.