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 paper introduceert MAP, een kennisgedreven raamwerk dat een groot kennisgrafiek en contrastief leren combineert om de reactie van cellen op ongeprofileerde medicijnen succesvol te voorspellen door biologische mechanismen te integreren in een uniek inbeddingsruimte.
Dit artikel introduceert SpaMOAL, een grafgebaseerde contrastieve leermethode die ruimtelijke coördinaten, histologische beeldkenmerken en moleculaire profielen integreert om nauwkeurige ruimtelijke weefselgebieden te identificeren in multi-omics data.
Deze studie introduceert een optimal transport-gebaseerd raamwerk dat, toegepast op longitudinale single-cell RNA-seq-data, de dynamische differentiatie en migratie van CD8 T-cellen tijdens een virale infectie in kaart brengt en experimenteel valideert hoe specifieke regulatoren zoals AP4 en CD52 bepalen of cellen circulerend of weefselresident worden.
Dit artikel introduceert *keju*, een hiërarchisch statistisch model dat de inferentie in Massively Parallel Reporter Assays (MPRAs) aanzienlijk verbetert door batch- en modale onzekerheid te modelleren, wat resulteert in een hogere gevoeligheid en een robuustere controle van valse positieven dan bestaande methoden.
Deze studie evalueert en vergelijkt verschillende filtergebaseerde feature screening-methoden voor het analyseren van hoogdimensionale omics-data, waarbij BcorSIS wordt geïdentificeerd als de meest effectieve en rekenkundig efficiënte methode voor het selecteren van informatieve biomoleculen in machine learning classificatiemodellen.
GeCCo introduceert een wiskundig onderbouwd raamwerk dat celidentiteit construeert via een hiërarchie van genprogramma's, waardoor de hiërarchische consistentie in single-cell transcriptomics wordt gewaarborgd en verborgen celstaten worden onthuld.
De auteurs presenteren bionSBM, een nieuwe grafgebaseerde topic-modelleringstechniek die superieure prestaties en biologische interpreteerbaarheid biedt bij het clusteren van complexe single-cell multi-omics-data.
ITSxRust is een snellere en robuustere Rust-gebaseerde tool voor het extraheren van ITS-sequenties uit lange-read amplicon-sequencing-data, die door middel van geoptimaliseerde HMMER-zoeken en een partiële-kettingherstelstrategie een hogere extractiesnelheid en -opbrengst bereikt dan bestaande methoden zoals ITSx en ITSxpress.
Dit artikel introduceert POTTR, een combinatorisch algoritme dat gebaseerd is op partiële ordeningen om recurrente trajecten van genetische gebeurtenissen te identificeren in evolutionaire en ontwikkelingsprocessen, waarbij het expliciet rekening houdt met onzekerheid in fylogenetische data en toepasbaar is op zowel kanker- als embryonale datasets.
Deze paper introduceert MaxGeomHash, een nieuw paralleliseerbaar en permutatie-invariant algoritme dat variabele, sub-lineaire k-mer-schetsen genereert om een evenwicht te vinden tussen opslag-efficiëntie en nauwkeurigheid bij het schatten van biologische gelijkenis, wat leidt tot betere en snellere fylogenetische analyses dan bestaande methoden zoals MinHash en FracMinHash.