1235 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.
Deze paper introduceert METRIN-KG, een kennisgrafiek die diverse en heterogene bronnen van plantmetabolomen, eigenschappen en biotische interacties integreert om het zoeken naar data en het formuleren van onderzoeksvragen in de levenswetenschappen te vergemakkelijken.
Dit artikel introduceert TEAMKidney, een deep learning-framework dat geautomatiseerde en nauwkeurige segmentatie en kwantificatie van ultrastructuren in transmissie-elektronenmicroscopie-afbeeldingen van nieren mogelijk maakt, waardoor de afhankelijkheid van handmatige analyse wordt verminderd terwijl expert-niveau nauwkeurigheid wordt behouden.
Dit paper introduceert PeptideCLM-2, een suite van chemische taalmodellen die is getraind op meer dan 100 miljoen moleculen om therapeutische peptiden effectiever te modelleren en zo de voorspellende prestaties voor ontwikkelingsdoeleinden zoals membraandiffusie, tumorhoming en halfwaardetijd te verbeteren.
Deze studie presenteert een agent-gestuurde workflow voor het *de novo* ontwerpen van nanobodies tegen een nieuw kankerdoelwit, waarbij een computergestuurde selectie van 288.000 ontwerpen resulteerde in 46 functionele binders met nanomolaire affiniteit, wat de haalbaarheid bewijst van het ontwikkelen van therapeutische binders zonder experimentele structuurdata of eerdere antilichaaminformatie.
Dit onderzoek introduceert een onzekerheidsbewust benchmarking-framework dat, door gebruik te maken van herclassificeerde GENCODE-data en uitgebreide kenmerken zoals herhalingen, de ambiguïteit in de classificatie van mRNA versus lncRNA onthult en inzicht geeft in de sequentiekenmerken die tot classificatie-onzekerheid leiden.
PathwaySeeker is een bewijsgebaseerd AI-systeem dat organism-specifieke metabole netwerken reconstrueert uit geïntegreerde proteomics- en metabolomics-data en deze koppelt aan een taalmodel via 'Oracle-in-the-Loop' inferentie om experimenteel onderbouwde inzichten te onderscheiden van testbare hypothesen.
Het artikel introduceert cellNexus, een uitgebreid hulpmiddel en bron dat de data van de Human Cell Atlas standaardiseert en verrijkt met kwaliteitscontrole, annotatie en analytische lagen om multi-studie analyses en biologische ontdekkingen mogelijk te maken.
Dit artikel introduceert UDAL, een actieve leermethode die onzekerheid en diversiteit combineert om de dure en tijdrovende wet-lab validatie van TCR-pMHC-interacties aanzienlijk te verminderen door met een beperkt budget even goede voorspellingsmodellen te trainen als met veel meer willekeurig gekozen labels.
Het artikel introduceert FairTCR, een eerlijkheidsbewust machine learning-framework dat de prestatieverschillen tussen verschillende HLA-allelen en bevolkingsgroepen in TCR-pMHC-bindingsvoorspellingen aanzienlijk verkleint zonder de algehele nauwkeurigheid te verliezen.
Dit artikel introduceert RRE, een recursieve methode die profiel-HMM's gebruikt om automatisch korte en gefragmenteerde herhalingsmodellen in eukaryote genomen te uitbreiden en te verbeteren, waardoor langere en meer complete repeterende elementen worden geïdentificeerd dan met bestaande hulpmiddelen zoals RepeatModeler2.