💻 Category

bioinformatics

1180 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.

💻 bio-informatica

HighFold-Lasso: Topology-Guided Prediction of Lasso Peptide Structures Using AlphaFold3

HighFold-Lasso is een nieuw computationeel framework dat aangepaste covalente connectiviteit integreert met scaffold-gestuurde adaptieve initialisatie om een succespercentage van 100% te bereiken bij het voorspellen van de complexe mechanisch verstrengelde structuren van alle vier de lasso-peptideklassen, waarbij het algemene modellen op het gebied van nauwkeurigheid en betrouwbaarheid significant overtreft.

Sen, C., Zhang, C., Yang, H., Ge, Y., Hou, H., Zhu, N., Li, C., Mo, J., Wu, Y., Guo, J., GUO, J., Duan, H.2026-10-16
💻 bio-informatica

Biopsy-aware phylogenetic reconstruction from longitudinal single-cell copy number profiles

Dit artikel introduceert het Cancer Tree Biopsy Framework (CTBF), een methode voor het reconstrueren van kankerfylogenieën uit longitudinale single-cell kopie-aantalprofielen die expliciet rekening houdt met de temporele volgorde van bemonstering en onderscheid maakt tussen geobserveerde profielen en hun ancestrale toestanden, waarmee een superieure nauwkeurigheid en op het genoom schaalbare haalbaarheid wordt aangetoond in vergelijking met bestaande gepoolde of louter op topologie gebaseerde benaderingen.

Paszek, J., Mykowiecka, A., Gogolewski, K.2026-10-16
💻 bio-informatica

Efficient and precise discovery of LTR-retrotransposon families using HiRepEat

Dit artikel introduceert HiRepEat, een snel en geheugenefficiënt computationeel framework dat de TACO-repeatcompressor en het SALSA-coördinatenmappingsysteem combineert met een aangepast wavefront-alignmentalgoritme om LTR-retrotransposonfamilies in diverse vertebraten- en Drosophila-genomen nauwkeurig te identificeren, te clusteren en te analyseren.

Maheshwari, A., Myers, E., Sierra, P., Vertebrate Genomes Project Consortium Phase I,, Lawniczak, M., Durbin, R.2026-10-16
💻 bio-informatica

Capturing domain-level detail of molecular interactions in the IMEx Consortium binding domain data set

Dit artikel introduceert de IMEx binding domain dataset, een grootschalige, handmatig samengestelde collectie van experimenteel afgeleide eiwitinteractieregio's die zijn toegewezen aan UniProtKB-sequenties, wat dient als een gouden standaard voor het benchmarken van interfacevoorspellingsmethoden en het verhelderen van de mechanistische basis van ziektegeassocieerde mutaties.

Pinto, A., Lo Surdo, P., Medina Reyes, J. J., Bergogne, L., Padilla Franzotti, C., Iannuccelli, M., Panni, S., Panneerse (…)2026-10-16
💻 bio-informatica

PatientPheX: A Full-Text Biomedical Corpus for Patient-Specific Phenotype Information Extraction

Dit artikel introduceert PatientPheX, een nieuw biomedisch corpus met volledige tekst bestaande uit 200 casusrapporten met gedetailleerde annotaties voor patiëntspecifieke fenotype-entiteiten en hun associaties, ontworpen om onderzoek naar zeldzame ziekten te bevorderen en de ontwikkeling van patiëntgerichte informatie-extractiemethoden te ondersteunen.

Zhu, X., Luo, L., Wang, Z., Huang, C., Li, Y., Zhong, Y., Lv, T., Li, J., Liu, C., Tian, F., Sun, Y., Wang, J., Lin, H.2026-10-15
💻 bio-informatica

Multimodal phenotyping reveals plant-food-related dietary information in serum Raman spectra of community-dwelling Japanese adults

Deze studie toont aan dat bij in de gemeenschap wonende Japanse volwassenen habituele plantaardige voedingsinformatie niet wordt gevangen door een enkele biologische staat, maar in plaats daarvan wordt gerepresenteerd als traceerbare dimensies die verdeeld zijn over complementaire fenotypische lagen, waarbij serum Raman-spectra unieke voorspellende inzichten bieden in specifieke dieetvariabelen zoals bèta-caroteen die klinische en metabolomische gegevens aanvullen.

Hiraga, K., Miyamoto, T., Nishino, T., Yoon, J., Shibuya, K., Ye, X., Shi, T., Liu, W., Suzuki, H., Isoda, H., Sakurai (…)2026-10-15
💻 bio-informatica

2,234 attempts to harmonize a multi-platform B-cell lymphoma bulk transcriptomic dataset: ComBat is superior by cross-batch prediction quality

Door 2.234 harmonisatie-benaderingen te evalueren aan de hand van 87 orthogonale metrieken op een multi-platform B-cellymfoom-dataset, toont deze studie aan dat de optimale methode sterk afhankelijk is van de gekozen metriekklasse, waarbij ComBat superieur blijkt specifiek voor de kwaliteit van cross-batch voorspellingen, terwijl andere methoden er niet in slagen de biologische integriteit te behouden.

Nikitin, D., Arakelyan, A.2026-10-15
💻 bio-informatica

NoiTox: A Machine Learning Strategy for Peptide Toxicity Prediction Reveals Label Noise in Benchmark Datasets

Het artikel introduceert NoiTox, een multi-modale machine learning-strategie die fysisch-chemische beschrijvers, protein language model embeddings en graph neural networks integreert om de toxiciteit van peptiden te voorspellen met state-of-the-art prestaties, terwijl het labelruis in benchmarkdatasets onthult en analyseert.

Almeida, G. O., Albuquerque, M. C., Silva, B. M., Silva, O. A. B., Ferreira, R. S., Meira, W., Pires, D. V., Prata, W. M (…)2026-10-15
💻 bio-informatica

A Benchmark of Unsupervised Circadian Phase Inference Methods for Bulk Transcriptomic Data

Deze studie benchmarkt systematisch tien ongesuperviseerde methoden voor de inferentie van het circadiane ritme over 25 datasets, waarbij CHIRAL wordt geïdentificeerd als de best presterende methode met de laagste gemiddelde fout, terwijl wordt aangetoond dat de nauwkeurigheid van methoden varieert per datasetkenmerken en dat de beste methoden effectief ritmische genpatronen herstellen, zelfs wanneer de tijdstippen van monstername onbekend zijn.

Purohit, S., Grant, G. R., Brooks, T. G.2026-10-15