1246 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.
De studie introduceert Neurotox, een deep-learningframework dat aantoont dat neurotoxiciteit wordt bepaald door verspreide sequentiekenmerken die de secundaire structuur en receptorinteracties vormgeven, in plaats van door geïsoleerde contactresiduen.
Deze studie introduceert een geüpdatet algoritme genaamd PolarBearal dat met 97% nauwkeurigheid het aantal beta-bètastranden in bacteriële buitenmembraaneiwitten telt, waardoor meer dan 571.000 voorspelde structuren uit de AlphaFold2-database succesvol zijn geanalyseerd en een waardevol dataset voor structurele biologie is gecreëerd.
PhosSight is een geünificeerd deep learning-framework dat de identificatie en snelheid van fosfoproteoomanalyse verbetert door specifieke fysisch-chemische kenmerken te benutten, wat leidt tot een dieper inzicht in biologische processen en de ontdekking van nieuwe doelwitten voor precisiestudies in de oncologie.
Deze studie toont aan dat het combineren van Retrieval-Augmented Generation (RAG) met genomische afstandsinformatie de prestaties van Large Language Models verbetert bij het identificeren van causale genen, hoewel de gecombineerde aanpak beperkte meerwaarde biedt vanwege interacties tussen de methoden.
Deze paper introduceert NIRD, een methode die matrixfactorisatie en niet-lineaire regressie combineert om effectief genregulatienetwerken af te leiden uit grote, schaarse single-cell transcriptoomdata, zelfs in aanwezigheid van batch-effecten.
Dit onderzoek toont aan dat per-basis kwaliteitsscores uit next-generation sequencing, die doorgaans als technische metadata worden beschouwd, als een kostenefficiënt en uitlijningsvrij biomarker kunnen fungeren voor het detecteren van kanker op basis van cell-free DNA.
FAMUS is een nieuw contrastief leerframework dat de functionaliteit van eiwitten op grote schaal nauwkeuriger voorspelt door query-sequenties te vergelijken met profiel-HMM-databases in plaats van alleen te vertrouwen op de meest vergelijkbare hit, waardoor het de bestaande annotatietools overtreft.
In dit artikel wordt SCL2205 gepresenteerd, een hoogwaardig dataset voor het voorspellen van subcellulaire localisatie van eiwitten, die is ontwikkeld om datalekken te minimaliseren en de prestaties van deep learning-modellen aanzienlijk te verbeteren ten opzichte van de huidige stand van de techniek.
Deze studie toont aan dat de voorspellende prestaties van eiwit-taalmodellen voor mutatie-effecten voornamelijk worden bepaald door intrinsieke datasetkenmerken, zoals de variabiliteit van fitnesswaarden, en niet door het modelontwerp, waardoor veel bestaande benchmarks de prestaties overschatten en vaak nauwelijks beter presteren dan een simpele voorspeller op basis van gemiddelde fitnesswaarden per locatie.
Dit onderzoek toont aan dat fosforylering van een ASXL2-epitoot de bindingsaffiniteit en conformationele dynamiek van het peptide-HLA-complex verandert, wat een structureel-dynamische basis biedt voor het rationeel selecteren van tumor-specifieke doelen voor immunotherapie.