1012 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.
EXTRERNAS is een reproduceerbaar, op Docker gebaseerd Java-framework dat de extractie van RNA-structurele annotaties automatiseert met behulp van meerdere tools en hun heterogene outputs standaardiseert naar BPSEQ- en het nieuwe BPSEQE-formaat om een consistente vergelijking van canonieke en niet-canonieke interacties te faciliteren.
Het artikel introduceert dnoise, een snelle open-source Rust-tool die de opslagvoetafdruk van Bruker timsTOF native data aanzienlijk vermindert door redundante punten te verwijderen terwijl de analytische nauwkeurigheid in zowel DDA- als DIA-workflows behouden blijft.
Dit artikel presenteert MetaDome 2027, een uitgebreid bijgewerkte bron die bewijslast van missense-varianten aggregeert over homologe menselijke proteïnedomeinen met GRCh38-ondersteuning, wat de domeindekking aanzienlijk vergroot en kritieke pathogene bewijslast biedt voor de herclassificatie van varianten van onzekere betekenis in de klinische genetica.
scPyviewer is een Python-native, webgebaseerde interactieve viewer die niet-programmeurs in staat stelt om AnnData single-cell datasets direct te verkennen zonder conversie naar Seurat, waarbij het gelijke functionaliteit biedt aan bestaande R Shiny-tools terwijl het een superieure renderingsnelheid, lager geheugengebruik en het vermogen om grote datasets aan die R-gebaseerde alternatieven doen falen, demonstreert.
Het artikel introduceert C-PLANK, een deep learning-framework getraind op cellulaire chemoproteomica-data dat bestaande modellen overtreft in het voorspellen van fragment-eiwitinteracties en succesvol een nieuwe SIRT3-agonist identificeerde door fysisch-chemische embeddings te integreren met een biologische plausibiliteitsmetriek op systeemniveau.
RegimeFormer is een grootschalig eiwitmodel dat, via de bijbehorende RegimeAtlas-database van meer dan 200 miljoen sequenties, globale perturbatieregimes vaststelt om effecten van mutaties op residuniveau te voorspellen en downstream biologische modellering te verbeteren, met name voor onbekende eiwitten en families.
Dit artikel introduceert de Dynamic Hierarchical Interleaved Bloom Filter, een schaalbare en aanpasbare indexeringsstructuur die de state-of-the-art HIBF uitbreidt met gedeeltelijk herbouwen om efficiënt grootschalig sequentieonderzoek mogelijk te maken, waarbij het vermogen wordt aangetoond om meer dan 100 TB aan RNA-Seq-data te indexeren en nieuwe monsters 24 tot 65 keer sneller in te voegen dan concurrerende tools.
Vipsania is de eerste ongesuperviseerde deep learning-tool die accuraat eiwitcoderende genstructuren over diverse eukaryote genomen voorspelt door direct te leren van niet-geannoteerde sequenties, waardoor de beperkingen van gesuperviseerde methoden worden overwonnen die hoogwaardige trainingsdata vereisen en moeite hebben met verre of basale clades.
PhageTransformer is een deep learning-model dat de beperkingen van bestaande tools overwint door schaalbare, nauwkeurige en snelle gastheervoorspellingen voor bacteriofagen te bieden, zoals aangetoond door de superieure prestaties op duizenden onafhankelijke faag-gastheerparen.
Het artikel introduceert morphOTU, een door AI gedreven framework dat operationele biodiversiteitseenheden direct afleidt uit specimen-afbeeldingen met behulp van zelfgesuperviseerd leren en hiërarchische clustering, wat een nauwkeurige kwantificering van de soortendiversiteit en de ontdekking van morfologische patronen mogelijk maakt, zelfs bij afwezigheid van formele taxonomische labels of uitgebreide trainingsdata.