bioinformatics papers | Gist.Science

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.

RNAGAN: Train One and Get Four, Multipurpose Human RNA-Seq Analysis Tool with Enhanced Interpretability and Small Data Size Capability

RNAGAN is een veelzijdig AI-tool op basis van generatieve adversariale netwerken dat, na één trainingsprocedure, vier toepassingen mogelijk maakt voor menselijke RNA-seq-analyse, waaronder patiëntstratificatie, markeridentificatie, generatie van pseudo-gegevens en vectorisatie, terwijl het tegelijkertijd de interpretatie verbetert en effectief werkt met kleine datasets.

HOU, Z., Lee, V. H.-F., Kwong, D. L.-W., Guan, X., Liu, Z., Dai, W.2026-03-20💻 bioinformatics

TriGraphQA: a triple graph learning framework for model quality assessment of protein complexes

In dit artikel wordt TriGraphQA voorgesteld, een nieuw triple graph learning-framework dat de kwaliteit van voorspelde eiwitcomplexen nauwkeuriger beoordeelt door de structurele eigenschappen van individuele ketens en het bindingsinterface expliciet te ontkoppelen en te integreren.

Liang, L., Zhao, K.2026-03-20💻 bioinformatics

GenBio-PathFM: A State-of-the-Art Foundation Model for Histopathology

GenBio-PathFM is een state-of-the-art foundation model voor histopathologie dat, ondanks het gebruik van uitsluitend publieke data, de beste prestaties behaalt dankzij een geautomatiseerde data-curatiepijplijn en een innovatieve JEDI-leerstrategie die de lange staartverdeling van morfologische kenmerken effectief aanpakt.

Kapse, S., Aygün, M., Cole, E., Lundberg, E., Song, L., Xing, E. P.2026-03-20💻 bioinformatics

Pareto optimization of masked superstrings improves compression of pan-genome k-mer sets

Deze paper introduceert een nieuwe methode voor Pareto-optimalisatie van gemaskeerde superstrings die, door superstringlengte en maskerkomplexiteit gelijktijdig te optimaliseren, de compressie van pan-genoom k-mer sets aanzienlijk verbetert ten opzichte van bestaande methoden.

Plachy, J., Sladky, O., Brinda, K., Vesely, P.2026-03-20💻 bioinformatics

Enhancing non-local interaction modeling for ab initio biomolecular calculations and simulations with ViSNet-PIMA

Deze studie introduceert ViSNet-PIMA, een nieuw machine learning-krachtenveld dat via een physics-informed multipole aggregator niet-lokale interacties effectief modelleert, waardoor de nauwkeurigheid van *ab initio* biomoleculaire simulaties aanzienlijk wordt verbeterd en de prestaties van bestaande methoden op diverse datasets en in AI2BMD-simulaties significant worden overtroffen.

Cui, T., Wang, Z., Wang, T.2026-03-20💻 bioinformatics

RNASTOP: A Deep Learning Framework for mRNA Chemical Stability Prediction and Optimization

RNASTOP is een nieuw deep learning-framework dat de chemische stabiliteit van mRNA nauwkeuriger voorspelt en optimaliseert, waardoor de ontwikkeling van mRNA-therapieën wordt versneld.

Lin, S., Chen, J., Sun, H., Zhang, Y., Yang, W., tan, h., Wei, D.-Q., Jiang, Q., Xiong, Y.2026-03-20💻 bioinformatics

Computational Prediction of Plasmodium falciparum Antigen-T-cell Receptor Interactions via Molecular Docking: Implications for Malaria Vaccine Design

Dit onderzoek gebruikt moleculaire docking en immunoinformatica om te bevestigen dat de *Plasmodium falciparum*-antigenen PfCyRPA, PfMSP10 en PfCSP veelbelovende kandidaten zijn voor de ontwikkeling van een malaria-vaccin.

Kipkoech, G., Kanda, W., Irungu, B., Nyangi, M., Kimani, C., Nyangacha, R., Keter, L., Atieno, D., Gathirwa, J., Kigondu, E., Murungi, E.2026-03-20💻 bioinformatics

A Multi-Dataset Transcriptomic Analysis Unravels Core Mechanisms Involving Vitamin D Metabolism and Inflammatory Pathways for Frailty Diagnosis.

Deze studie identificeert via bio-informatica en machine learning van meerdere transcriptoomdatasets dat stoornissen in het vitamine D-metabolisme en chronische ontsteking kernmechanismen vormen voor de diagnose van kwetsbaarheid bij ouderen.

Hu, X., Zheng, W., Li, Y., Zhou, D.2026-03-20💻 bioinformatics

CliPepPI: Scalable prediction of domain-peptide specificityusing contrastive learning

Het artikel introduceert CLIPepPI, een schaalbaar contrastief leermodel dat sequentie- en structurele informatie combineert om de specificiteit van domein-peptide-interacties nauwkeurig te voorspellen en generaliseerbaar te maken voor grote proteoomstudies.

Hochner-Vilk, T., Stein, D., Schueler-Furman, O., Raveh, B., Chook, Y. M., Schneidman-Duhovny, D.2026-03-20💻 bioinformatics

Differentiable Gene Set Enrichment Analysis for Pathway-Level Supervision in Transcriptomic Learning

Dit artikel introduceert dGSEA, een differentieerbare versie van de Gene Set Enrichment Analysis die de kloof tussen gen-niveau trainingsdoelen en pad-niveau interpretatie in transcriptomische studies overbrugt door zachte sortering en genormaliseerde verrijkingsscores te gebruiken voor stabielere en nauwkeurigere pad-gebaseerde supervisie.

Li, S., Ruan, Y., Yang, X., Wen, Z., Saigo, H.2026-03-20💻 bioinformatics

← Vorige Volgende →