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 artikel introduceert de Generalised Pretrained Cytometry Transformer (GPCT), een interpreteerbaar foundation model dat door middel van vooraf trainen op heterogene markerpanelen schaalbare en generaliseerbare voorspellingen mogelijk maakt voor flowcytometrie-data.
In dit artikel wordt DESPOT voorgesteld, een geavanceerd, anisotroop kennisgebaseerd potentieel dat de richtingsafhankelijkheid van eiwit-ligandinteracties expliciet modelleert en hierdoor aanzienlijk betere prestaties boekt bij het scoren van poses en virtuele screening dan traditionele isotrope methoden.
Dit paper introduceert TRACE, een lichtgewicht multimodaal raamwerk dat contrastieve uitlijning gebruikt om de stabiliteit en prestaties van TCR-peptide-bindingsvoorspelling te waarborgen door de negatieve invloed van onvolmaakte structurele gegevens te neutraliseren, waarmee het de aanname dat het toevoegen van modaliteiten altijd voordelig is, daagt.
In deze studie wordt MAPPER, een schaalbaar multimodaal raamwerk dat proteoomprofielen en andere celresponsgegevens integreert, gepresenteerd als een krachtig hulpmiddel voor het nauwkeurig voorspellen van het werkingsmechanisme van antibiotica en het identificeren van verbindingen met nieuwe mechanismen in *Escherichia coli*.
Deze paper introduceert EMITS, een Rust-gebaseerd hulpmiddel dat het expectation-maximization-algoritme toepast om nauwkeurige, probabilistische schattingen van de abundantie van schimmelsoorten te genereren uit lang-lees ITS-sequenties, waardoor de beperkingen van naïeve best-hit-classificatie worden overwonnen.
Deze studie toont aan dat een hybride machine learning-aanpak met TF-IDF k-mer-features, in plaats van diepe leermodellen, de meest effectieve en interpreteerbare oplossing biedt voor het nauwkeurig classificeren van zeldzame SARS-CoV-2-varianten in onbalansseerde genomische datasets.
Deze studie toont aan dat, hoewel SNP-erfelijkheidsramingen sterk variëren afhankelijk van de gebruikte schattingsmethode, deze variatie slechts een zwakke invloed heeft op de prestaties van polygenische risicoscores, wat suggereert dat erfelijkheidsschattingen als configuratie-gevoelige parameters moeten worden gezien in plaats van stabiele invoerwaarden.
De auteurs ontwikkelen een nieuw wiskundig model dat data van intensiteitsdosis-bioassays integreert om de heterogeniteit van insecticideresistentie in Afrikaanse muggenpopulaties beter te kwantificeren en zo de effectiviteit van met insecticide behandelde muskietennetten nauwkeuriger te voorspellen.
Dit artikel presenteert een hoog-efficiënt deep learning-model op basis van een convolutioneel neurale netwerk (CNN) en TFxIDF-vectorisatie van aminozuursequenties, dat met state-of-the-art nauwkeurigheid genen en pseudogenen in het menselijk genoom (GRCh38) identificeert.
Deze studie evalueert zeven geavanceerde methoden voor het verwijderen van omgevings-RNA uit single-cell RNA-sequencing-data en concludeert dat hoewel geen enkele methode overal superieur is, CellBender, DecontX en SoupX over het algemeen de beste prestaties leveren.