1244 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 paper introduceert AI-IDP, een diep-leerframework dat de structurele heterogeniteit van intrinsiek ongeordende eiwitten decodeert door experiment-consistente conformationele ensembles te genereren, waardoor de evolutionaire en functionele logica van deze dynamische proteomen voor gezondheids- en ziektegerelateerd onderzoek ontsloten wordt.
Het Grass Expression Atlas (GExA) is een interactieve, webgebaseerde resource die gestandaardiseerde RNA-seq-gegevens voor genexpressie integreert voor vier millet-soorten, gerst en sorghum, en zo een schaalbaar platform biedt voor het verkennen van genexpressie in grassen.
Stoic is een snelle en nauwkeurige methode die eiwittaalmodel-embeddings en een grafische neurale netwerk gebruikt om de stoichiometrie van eiwitcomplexen te voorspellen door zich te richten op interface-residuen in plaats van globale sequentiekenmerken.
PepCABO is een latent-space Bayesian optimization-framework dat gebruikmaakt van contrastieve uitlijning en een dubbel variational autoencoder om de binding van peptiden aan MHC-allelen efficiënter te optimaliseren door gestructureerde kennisoverdracht en een informatieve prior.
Deze studie introduceert een uitbreiding van het ColBuilder-framework dat het genereren van atomaire modellen van collageen fibrillen met niet-enzymatische AGE-kruisverbindingen mogelijk maakt, waardoor de impact van veroudering en diabetes op de weefselmechanica beter kan worden onderzocht.
Dit artikel biedt een uitgebreid overzicht van het menselijke ubiquitine-proteasoomsysteem en het bredere proteostase-netwerk, waarbij wordt geschat dat deze systemen samen meer dan 3100 componenten omvatten die cruciaal zijn voor eiwitkwaliteitscontrole, regulatie en ziekteonderzoek.
In dit artikel wordt LysinFusion, een reproduceerbaar deep learning-framework dat een hybride CNN-Transformer-architectuur combineert met multi-kenmerkencodering, gepresenteerd als een nauwkeuriger en biologisch onderbouwd alternatief voor bestaande methoden bij de identificatie van fag-lysinen om de strijd tegen antimicrobiële resistentie te ondersteunen.
Dit onderzoek presenteert een machine learning-model dat de werkzaamheid van siRNA's voorspelt op basis van intrinsieke sequentiekenmerken, waarbij positie-specifieke nucleotiden als belangrijkste determinanten worden geïdentificeerd en zo een meer interpreteerbare en nauwkeurige aanpak biedt dan bestaande methoden.
Dit paper introduceert PBML, een nieuw algoritme dat de Positional Burrows-Wheeler Transform (PBWT) uitbreidt om efficiënt en schaalbaar langere, biologisch relevante gedeelde afstammingssegmenten in grote haplotypepanelen te detecteren door het tellen van Set-Maximal Exact Matches (SMEMs) te beperken tot die welke voorkomen in ten minste *k* haplotypes en een lengte van ten minste *L* loci hebben.
Dit artikel presenteert een Bayesiaanse AMMI-gebaseerde simulatieraming voor genotype-omgevinginteracties die interpreteerbare structuren en omgevingscovarianties integreert om de voorspellende nauwkeurigheid en visuele analyse van genotypen in complexe omstandigheden te verbeteren.