1018 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 toont aan dat een enkel AI-agent (Claude Opus 4.6) statistisch equivalente data kan extraheren uit vijf landbouwdatasets voor meta-analyses, waardoor de extractiekosten met een orde van grootte dalen terwijl de nauwkeurigheid behouden blijft.
Dit paper introduceert REGEN, een op Graph Neural Networks gebaseerd raamwerk dat simultaan latente geninteractienetwerken leert uit bulk-transcriptoomdata en patiëntoverleving voorspelt, terwijl het tevens praktische richtlijnen biedt voor het toepassen van GNN's op dergelijke tabulaire gegevens.
EvoMut is een computergestuurde webserver die de oxidatieve kwetsbaarheid van eiwitten analyseert en onderscheidt tussen chemisch gevoelige en evolutionair toelaatbare mutatiesites, waardoor het een praktisch kader biedt voor het rationeel ontwerpen van oxidatie-resistente eiwitten.
Deze studie introduceert een geharmoniseerd, implementatiebewust benchmarkkader dat de prestaties van 46 polygene risicoscoresystemen voor zowel binaire als continue fenotypen evalueert en aantoont dat er geen universeel optimale methode bestaat, omdat de prestaties worden bepaald door een complex samenspel van statistische methodologie, fenotype-architectuur en praktische implementatiebeperkingen.
Dit paper introduceert Helicase, een Rust-bibliotheek die gebruikmaakt van vectorisatie en bitpacking om FASTA/Q-bestanden sneller te parsen dan bestaande oplossingen, waardoor het een nieuwe standaard wordt voor high-throughput genomische data-verwerking.
De auteurs introduceren miRBind2, een diep learning-model dat uitsluitend op sequentie gebaseerd de binding van microRNA's en transcriptrepressie voorspelt met een hogere nauwkeurigheid dan bestaande methoden en zonder gebruik te maken van handmatig ontworpen biologische kenmerken.
Dit onderzoek toont aan dat het koppelen van codon- en eiwitbeperkingen essentieel is om de pathogeniciteit van genetische varianten te begrijpen, aangezien zowel het eiwitproduct als het synthese-proces en het experimentele platform de waarnemingen beïnvloeden.
Deze studie presenteert een geïntegreerde transcriptoomgebaseerde workflow die 64 bestaande FDA-goedgekeurde medicijnen identificeert als veelbelovende gastheergerichte therapieën voor tuberculose en 12 nieuwe dringbare doelwitten blootlegt, waarmee een robuust computermodel wordt geboden voor de systematische herontdekking van medicijnen bij infectieziekten.
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.
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.