1235 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 beschrijft de kalibratie van acht computationele tools voor het voorspellen van de pathogeniciteit van in-frame indels, waarbij specifieke drempelwaarden voor klinische classificatie zijn vastgesteld die, ondanks een lagere prestatie dan die van missense-voorspellers, waardevolle bewijskracht bieden volgens de ACMG/AMP-richtlijnen.
Deze studie concludeert dat bij het voorspellen van overleving met immuuntherapie in diverse kankersoorten klinische variabelen de voorspellende waarde sterk domineren, terwijl de toegevoegde waarde van genomische kenmerken zoals tumormutatiebelasting beperkt blijft.
Deze paper introduceert een nieuwe release van immuneML die een unifyd framework biedt voor onbewaakte machine learning in het veld van adaptieve immuunreceptoren, waardoor geavanceerde clustering, generatieve modellering en visualisatie mogelijk worden voor het ontdekken van biologische patronen en het evalueren van modelrobuustheid.
LagCI is een nieuw computergestuurd framework dat, door het analyseren van volledige correlatieprofielen in plaats van simpele kruiscorrelaties, betrouwbare tijdsvertragingen in causale relaties kan afleiden uit dichte multi-omics tijdreeksen, wat leidt tot een gedetailleerd netwerk van moleculaire interacties dat de timing van metabole en immuunresponsen onthult.
Deze studie toont aan dat het inbedden van microbieel-gemeenschapsmodellen in een ruimtelijk gefragmenteerd landschap de discrepantie tussen theoretische voorspellingen en empirische waarnemingen oplost, waarbij de veelvoorkomende gamma-verdeling van overvloedigheden het resultaat is van ruimtelijke aggregatie en niet van de onderliggende lokale dynamiek.
Deze studie introduceert embeRNA, een neurale netwerkframework dat de functionele potentie van microbiomen direct voorspelt uit 16S rRNA k-mer samenstelling, waardoor nauwkeurige functionele analyses mogelijk zijn in omstandigheden met onbekende micro-organismen waar traditionele referentie-gemethoden falen.
Deze studie toont aan dat een actieve leerstrategie gebaseerd op Thompson-sampling, in combinatie met AlphaFold2, peptidebibliotheken voor BET-eiwitten efficiënter kan screenen dan exhaustieve of willekeurige methoden door 50% van de binders te identificeren met slechts 15% van de benodigde queries.
Deze paper introduceert SCRU-DB, een uitgebreide database van zelfstandige RNA-eenheden, en de bijbehorende modellen SCRU-Seq en SCRU-Diff om de schaalbaarheid en nauwkeurigheid van RNA-sequentieontwerp te verbeteren door de afhankelijkheid van dure 3D-structuurdata te doorbreken.
Het artikel introduceert NetSyn, een bioinformatica-tool die in plaats van alleen op sequentie-identiteit, gebruikmaakt van de behoud van genomische context (synteny) om eiwitfamilies te groeperen, nieuwe functionele relaties te ontdekken en annotatiefouten in prokaryote genoomdata op te sporen.
Deze paper introduceert ViScore, een robuust scorekader, en ViVAE, een interpreteerbaar deep learning-model, om de betrouwbaarheid en multi-schaal structuurbehoud van dimensiereductie in scRNA-seq-data te verbeteren.