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.
Dit onderzoek toont aan dat het meta-learning-framework STUNT slechts een beperkt voordeel biedt voor de classificatie van microbiome-gebaseerde ziekten bij extreem weinig data, maar dat deze prestaties snel achteruitgaan bij meer samples, wat wijst op de noodzaak van methoden die ziekte- en cohortspecifieke variatie beter behouden.
Dit artikel introduceert DartUniFrac, een nieuw algoritme met GPU-versnelling dat de UniFrac-berekening tot drie orden van grootte versnelt door het te koppelen aan gewogen Jaccard-gelijksoortigheid en schetsalgoritmen, waardoor het schaalbaar wordt tot miljoenen monsters en miljarden taxa met statistisch vergelijkbare resultaten als exacte methoden.
Dit paper introduceert RankMap, een efficiënt R-pakket dat op rangorde gebaseerde referentie-mapping gebruikt voor snelle en robuuste annotatie van celtypen in ruimtelijke en single-cell transcriptomics, met name geschikt voor grote datasets en platforms met beperkte genpanels.
Deze studie introduceert een nieuw kader dat gespecialiseerde transcriptomische correctiemethoden combineert met diepe representatieleren om multi-modale ruimtelijke transcriptomiedata van verschillende patiënten en weefsels effectief te aligneren, waardoor cellen op basis van hun type in plaats van dataset-specifieke variabiliteit worden gegroepeerd.
Deze studie toont aan dat, ondanks het genereren van structureel plausibele complexen, de interne betrouwbaarheidsscores van AI-gestuurde structuurvoorspellingsmethoden zoals AlphaFold3 vaak falen in het onderscheiden van echte antilichaam-antigeen interacties van onjuiste koppelingen, wat aangeeft dat deze scores niet inherent gekalibreerd zijn voor bindingspecificiteit.
Deze studie toont aan dat het trainen van sparse autoencoders op verborgen representaties van single-cell foundation-modellen interpreteerbare biologische en technische kenmerken onthult, waardoor het mogelijk wordt om deze modellen te sturen en ongewenste technische effecten te verminderen.
In dit artikel wordt AlterNet voorgesteld, een pionierend bioinformatica-pipeline dat voor het eerst alternatieve splicing in overweging neemt om genregulatienetwerken op transcript-niveau te reconstrueren, waardoor nieuwe biologisch relevante interacties worden ontdekt die op gen-niveau onzichtbaar blijven.
Deze studie introduceert ETSAM, een op SAM2 gebaseerde twee-staps AI-methode die door training op een divers dataset van experimentele en gesimuleerde cryo-ET tomogrammen celmembranen met state-of-the-art precisie en sensitiviteit segmenteert, ondanks de uitdagingen van lage signaal-ruisverhoudingen en missing wedge-artefacten.
Dit artikel stelt dat de ontwikkeling van een 'virtuele cel' vereist dat multimodale integratie overstapt van louter uitlijning naar het maximaliseren van synergie, omdat standaard uitlijningsmethoden vaak alleen lineaire redundanties detecteren terwijl complexe biologische taken juist baat hebben bij niet-lineaire, complementaire interacties tussen modaliteiten.
Dit artikel introduceert een statistisch-mechanische generalisatie van het Gaussisch Netwerkmodel via spanning-tree thermodynamica, die aantoont dat de activatie van KRAS een entropie-gedreven proces is waarbij de energiekosten van de actieve toestand worden gecompenseerd door een toename in conformationele entropie, met Switch I als het primaire allosterische locus.