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.
Deze paper introduceert een likelihood-vrij, op simulatie gebaseerd Bayesiaans raamwerk met diep leeren, genaamd CloneMLP-NPE, dat selectiecoëfficiënten van kopie-aantalveranderingen in tumoren nauwkeuriger en robuuster infereert dan bestaande methoden.
Dit paper introduceert BioClaw, een ecosysteem voor mens-bot samenwerking dat natuurlijke taalverzoeken in groepschats omzet in betrouwbare, geïsoleerde analyses met behulp van een uitgebreide bibliotheek van biomedische tools, waardoor groepschats worden getransformeerd tot persistente werkruimtes voor wetenschappelijke ontdekking.
GraphMana lost de beperkingen van gefragmenteerde bestandsgebaseerde workflows voor populatiegenomica op door variantdata in een grafdatabase op te slaan, wat naadloze incrementele updates, volledige provenance-tracking en snelle export naar 17 formaten mogelijk maakt, zoals aangetoond door een complete levenscyclus van het 1000 Genomes-project in slechts 98 minuten.
GraphPop introduceert een grafdatabase-engine die de complexiteit van populatiegenomica koppelt aan het aantal populaties in plaats van aan het aantal samples, waardoor analyses aanzienlijk sneller en minder geheugenintensief worden zonder in te leveren op de schaalbaarheid voor grote datasets.
Dit artikel introduceert TB-Bench, een systematische benchmark die aantoont dat traditionele machine learning-modellen, zoals XGBoost, binnen een gestandaardiseerd framework vaak betere prestaties leveren dan deep learning-methoden bij het voorspellen van resistentie tegen tweede-lijns tuberculosedrugs, hoewel beide benaderingen aanzienlijke uitdagingen kennen in cross-dataset generalisatie.
Deze studie introduceert IMAS, een doelgericht integratief raamwerk dat pan-kanker single-cell data benut om multi-omics datasets van tumoren te verrijken en zo betrouwbare, communicatie-gestuurde regulatorische mechanismen te identificeren, zelfs in data-beperkte systemen.
Dit artikel introduceert de Digital PCR Data Essentials Standard (DDES), een door de gemeenschap ontwikkeld, lichtgewicht en cross-platform dataformaat dat de interoperabiliteit, reproduceerbaarheid en FAIR-praktijken voor digitale PCR-data in zowel klinische als onderzoeksmilieus bevordert.
DyME is een gedistribueerd platform dat hoge-doorvoer mutagenese combineert met moleculaire dynamica-simulaties en een toolbox voor vergelijkende analyse om systematisch eiwit-herkenning te bestuderen en na te bootsen.
Dit artikel introduceert MIMIQ, een methode die gebruikmaakt van adaptieve binning en copula-transformatie om de wederzijdse informatie en significantie in single-cell RNA-sequencing-data snel en nauwkeurig te berekenen, wat wordt geïllustreerd door de analyse van genherkoppeling bij CD4+ T-cellen tijdens SARS-CoV-2-infectie.
Deze studie toont aan dat het combineren van gereduceerde aminozuuralfabetten met subwoord-tokenisatie (BPE) in eiwit-taalmodellen de rekenefficiëntie aanzienlijk verbetert door kortere sequenties te genereren, terwijl de voorspellende prestaties behouden blijven of zelfs worden verbeterd.