1199 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.
Dit artikel presenteert de SenNet Data Portal, een schaalbaar hybride cloudplatform dat open toegang biedt tot geharmoniseerde multimodale, multi-weefsel datasets en analytische hulpmiddelen om celsenescentie systematisch te karakteriseren in menselijke en muismodellen voor verouderingsonderzoek.
Deze benchmarkstudie daagt de aanname uit dat grotere AI-modellen universeel beter presteren dan kleinere modellen in de geneesmiddelenontdekking, en toont aan dat compacte, gespecialiseerde modellen vaak een superieure of vergelijkbare voorspellende nauwkeurigheid bereiken bij diverse taken voor moleculaire eigenschappen en activiteit in vergelijking met grote foundation-modellen.
AnnotateMissense is een schaalbaar raamwerk dat diverse genomische en eiwit-taalmodelkenmerken integreert om pathogeniciteitsvoorspellingen met hoge prestaties te benchmarken en te genereren voor meer dan 90 miljoen missense-varianten, waarbij superieure nauwkeurigheid wordt bereikt met een XGBoost-model dat is getraind op 132.714 met ClinVar-gelabelde varianten.
De auteurs ontwikkelden de Structural Novelty Index (SNI), een door AI-aangedreven raamwerk dat een onverwachte undecamerische assemblage van NRC-immuunreceptoren succesvol identificeerde en experimenteel valideerde, waarmee een schaalbare methode voor het ontdekken van atypische eiwitcomplexen buiten canonieke architecturen wordt aangetoond.
Dit artikel stelt een onbewaakt kader voor dat gebruikmaakt van grote taalmodellen en contrastief leren om SARS-CoV-2 spike-eiwitsequenties te karakteriseren, waarbij een verbeterde clusteringprestatie wordt aangetoond bij het voorspellen van opkomende varianten in vergelijking met eerdere benaderingen.
Het artikel introduceert cryoPANDA, een massieve dataset van meer dan 37 miljoen geannoteerde cryo-EM-deeltjes uit 252 uiteenlopende experimenten, die is ontworpen om huidige datalimieten te overwinnen en de ontwikkeling van datagedreven methoden voor structuurbiologie te versnellen.
Dit artikel presenteert een volledig datagedreven subspace one-class classificatiekader dat gezonde plasma-proteomische profielen modelleert om diverse ziekten robuust te detecteren zonder ziekte-trainingstalen te vereisen, en zo de uitdagingen van klassenongelijkheid in hoogdimensionale klinische data overwint.
Dit artikel presenteert een CASP16-case study van LCBio die aantoont dat, hoewel door experts geleide workflows concurrerende rankings kunnen behalen bij de voorspelling van RNA-multimeren, de huidige methoden een hiërarchische afname in nauwkeurigheid vertonen waarbij betrouwbare lokale kenmerken niet vertalen naar precieze globale architecturen als gevolg van aanhoudende uitdagingen bij het modelleren van multi-helixverbindingen en niet-canonieke interacties.
Dit artikel introduceert linearPOA, een parallel en geheugenefficiënt raamwerk dat een verdeel-en-heers-strategie gebruikt om lineaire ruimtelijke complexiteit te bereiken voor Partial Order Alignment, waardoor het geheugengebruik aanzienlijk wordt gereduceerd in vergelijking met bestaande kwadratische algoritmen bij het verwerken van ultralange, foutgevoelige sequencing-lezen.
Deze studie introduceert PanBART, een soortspecifiek transformer-model getraind op het gengehalte en de genvolgorde van *Escherichia coli* en *Streptococcus pneumoniae*, dat zijn superieure vermogen demonstreert om populatiestructuren onbewaakt te leren, opkomende lijnen te identificeren, de opname van antibioticaresistentiegenen te voorspellen en gen-coselectie te analyseren voor kritieke taken in genomisch toezicht.