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.
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 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.
Deze paper introduceert OpenFold-TRT, een versnelling voor deep learning-inferentie die met TensorRT en MMseqs2-GPU op zowel compacte x86-systemen als krachtige datacentersystemen tot 131 keer snellere eiwitstructuurvoorspelling mogelijk maakt dan AlphaFold2 zonder in te leveren op nauwkeurigheid.
Dit onderzoek onthult dat de transcriptomische respons van *Aedes aegypti* op pyrethroïden complex is en sterk afhankelijk van zowel de insecticideconcentratie als het type (I of II), waarbij lambda-cyhalothrin vooral mitochondriale en oxidatieve stressmechanismen activeert, terwijl permethrin leidt tot een versterkte cuticula en metabolische ontgiftingsroutes.
Het paper introduceert stMCP, een Model Context Protocol-server die natuurlijke taal gebruikt om complexe ruimtelijke transcriptomics-analyses lokaal en veilig uit te voeren, waardoor onderzoekers hun data zelfstandig kunnen verkennen zonder grote kosten of privacyrisico's.
Deze studie introduceert het softwaretool OPT om off-target binding in 10x Genomics Xenium-pools te detecteren, en toont aan dat dergelijke binding de nauwkeurigheid van ruimtelijke transcriptoomprofielen kan verstoren door expressiepatronen te vermengen met die van niet-doelwitgenen.
Hoewel deep-learning-methoden voor RNA-voorspelling verbeteringen laten zien bij RNA-moleculen met bekende patronen, blijkt uit deze studie dat ze moeite hebben met het generaliseren naar nieuwe structuren en dat de huidige nauwkeurigheidsindicaties onbetrouwbaar zijn.
Deze paper introduceert PROPTIMUS RAPHAN, een snelle methode die de optimalisatie van eiwitstructuren versnelt door deze op te delen in overlappende residu-substructuren, waardoor de rekentijd lineair schaalt met de structuurgrootte terwijl vergelijkbare resultaten worden behaald als bij traditionele methoden.