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.
Dit paper introduceert sctrial, een open-source Python-framework dat pseudoreplicatie in longitudinale single-cell RNA-sequencing-studies voorkomt door inferentie op participantniveau uit te voeren, wat leidt tot beter gekalibreerde foutenmarges en betrouwbaardere biologische interpretaties in klinische trials.
Deze paper introduceert Halo, een voorgeïmplementeerde deep-learningmodel dat nauwkeurige hele-cel segmentatie mogelijk maakt in ruimtelijke transcriptomics door kernmorphologie te combineren met RNA-transcriptverdeling, waardoor de beperkingen van bestaande methoden die alleen op kernstaining vertrouwen, worden overwonnen.
Dit paper introduceert GenoJEPA, een efficiënt framework voor genomische representatieleren dat via een gezamenlijke-embedding voorspellende architectuur de afhankelijkheid van dure fijne afstemming elimineert en robuuste, schaalbare modellen biedt voor diverse biologische taken.
Looplook is een open-source R-pakket dat door het integreren van 3D-chromatine-interacties met transcriptoomgegevens en het toepassen van geavanceerde clusteralgoritmes, nauwkeurigere doelwittoewijzingen en functionele annotaties van cis-regulerende elementen mogelijk maakt.
XAttn-DTA is een sequence-driven framework dat Graph Attention Networks en bidirectionele cross-attention fusion combineert om de affiniteit tussen medicijnen en doelen nauwkeurig te voorspellen zonder experimentele structurele data, wat leidt tot aanzienlijke prestatieverbeteringen op standaard benchmarks en sterke generalisatievermogen voor nieuwe scaffolds en eiwitfamilies.
In dit onderzoek introduceert de auteurs BayesMonSTR, een robuust algoritme dat de detectie van mosaïke microsatellietmutaties op single-cell-niveau mogelijk maakt en onthult dat deze mutaties, met name langere deleties, zich ophopen in verouderende neuronen van de prefrontale cortex en verrijkt zijn bij actieve genregulerende elementen.
Dit onderzoek toont aan dat wijdverbreide datalekken door feature screening voor cross-validatie de voorspelling van kankermedicijnrespons en biomarkerontdekking systematisch vertekent, wat leidt tot kunstmatig verhoogde nauwkeurigheid en een groot aantal gepubliceerde methoden die op statistische artefacten in plaats van biologische signalen zijn gebaseerd.
Dit artikel introduceert VDJcraft, de eerste geïntegreerde pipeline voor de nauwkeurige analyse van V(D)J-recombinatie met behulp van lange-read transcriptoomdata, die niet alleen de detectie van genen en recombinaties verbetert ten opzichte van bestaande methoden, maar ook de ontdekking van nieuwe gen-varianten en ziekte-geassocieerde immuunpatronen, zoals tijdens COVID-19, mogelijk maakt.
Deze paper introduceert drie nieuwe schatters voor mutatiesnelheden die gebaseerd zijn op k-mers en robuust zijn tegen herhalende sequenties, waarmee ze de beperkingen van bestaande methoden oplossen en superieure prestaties leveren bij het analyseren van repetitief DNA zoals alpha-satellieten.
Deze studie presenteert een interpreteerbaar, op aandacht gebaseerd deep learning-framework dat mRNA, miRNA en DNA-methylatie data integreert om de prognose van hepatocellulair carcinoma (HCC) significant te verbeteren ten opzichte van bestaande modellen, terwijl het tegelijkertijd biologisch relevante biomarkers identificeert.