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.
EGGS is een in C geschreven tool die empirische genotypen met ontbrekende data verwerkt om de verdeling van deze ontbrekende waarden te repliceren en diverse formatconversies en simulaties mogelijk maakt.
CycleGRN is een nieuw raamwerk dat dynamische systemen en stroomvelden toepast op cyclische single-cell RNA-seq-data om genregulatienetwerken nauwkeuriger af te leiden dan bestaande methoden, zonder dat tijdsbinning of splicing-dynamica vereist zijn.
MOSAIC is een spectrale framework dat population-level single-cell multi-omics-data integreert door een gezamenlijke embedding van kenmerken en samples te leren, waardoor het zowel veranderingen in regulatoire netwerken kan detecteren als nieuwe patiëntsubtypen kan identificeren en klinische uitkomsten kan voorspellen.
Dit paper introduceert MAP, een kennisgedreven raamwerk dat een groot kennisgrafiek en contrastief leren combineert om de reactie van cellen op ongeprofileerde medicijnen succesvol te voorspellen door biologische mechanismen te integreren in een uniek inbeddingsruimte.
Dit artikel introduceert SpaMOAL, een grafgebaseerde contrastieve leermethode die ruimtelijke coördinaten, histologische beeldkenmerken en moleculaire profielen integreert om nauwkeurige ruimtelijke weefselgebieden te identificeren in multi-omics data.
Deze studie introduceert een optimal transport-gebaseerd raamwerk dat, toegepast op longitudinale single-cell RNA-seq-data, de dynamische differentiatie en migratie van CD8 T-cellen tijdens een virale infectie in kaart brengt en experimenteel valideert hoe specifieke regulatoren zoals AP4 en CD52 bepalen of cellen circulerend of weefselresident worden.
Dit artikel introduceert *keju*, een hiërarchisch statistisch model dat de inferentie in Massively Parallel Reporter Assays (MPRAs) aanzienlijk verbetert door batch- en modale onzekerheid te modelleren, wat resulteert in een hogere gevoeligheid en een robuustere controle van valse positieven dan bestaande methoden.
Deze studie evalueert en vergelijkt verschillende filtergebaseerde feature screening-methoden voor het analyseren van hoogdimensionale omics-data, waarbij BcorSIS wordt geïdentificeerd als de meest effectieve en rekenkundig efficiënte methode voor het selecteren van informatieve biomoleculen in machine learning classificatiemodellen.
GeCCo introduceert een wiskundig onderbouwd raamwerk dat celidentiteit construeert via een hiërarchie van genprogramma's, waardoor de hiërarchische consistentie in single-cell transcriptomics wordt gewaarborgd en verborgen celstaten worden onthuld.
De auteurs presenteren bionSBM, een nieuwe grafgebaseerde topic-modelleringstechniek die superieure prestaties en biologische interpreteerbaarheid biedt bij het clusteren van complexe single-cell multi-omics-data.