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 O_SCPLOWARCANEC_SCPLOW, een sneller algoritme voor foutcorrectie en genexpressiekwantificatie in single-cell RNA-sequencing dat voortbouwt op de Fourway-methode en een efficiëntere indexering voor read-to-gene mapping biedt.
Dit artikel introduceert ProtBFF, een encoder-onafhankelijk raamwerk dat interpreteerbare biofysische priors via cross-embedding attention in residue-level deep learning-representaties injecteert om de nauwkeurigheid en betrouwbaarheid van ΔΔG-predicties voor eiwitengineering te verbeteren.
Deze studie introduceert TopRepo, de eerste uitgebreide repository met meer dan 18 miljoen top-down massaspectra, die dient als cruciale bron voor pan-dataset analyses en het trainen van deep learning-modellen voor nauwkeurige proteoform-identificatie en spectrale voorspelling.
CellAwareGNN is een nieuw grafisch fundamenteel model dat single-cell genomica integreert in een uitgebreide kennisgrafiek om de nauwkeurigheid en biologische interpretatie van voorspellingen voor drughergebruik, met name bij auto-immuunziekten, aanzienlijk te verbeteren.
MetaTracer is een nauwkeurig, nucleotide-gebaseerd framework dat metatranscriptoomdata in één stap toewijst aan zowel bacteriële taxa en tot expressie gekomen genen, waardoor het mogelijk wordt om soortspecifieke transcriptie-activiteit in complexe microbiële gemeenschappen te analyseren.
Deze studie presenteert een interpreteerbaar, tijdsstratificatie-model dat transcriptomische veranderingen uit RNA-sequencing koppelt aan kwantitatieve veranderingen in kernmorfologie na blootstelling aan lage doses straling, met als doel de onderliggende biologische mechanismen te onthullen.
Cellects is een gebruiksvriendelijke, open-source software voor de geautomatiseerde kwantificatie van biologische groei, beweging en morfologie uit 2D-beeldgegevens, die zowel interactieve analyse via een grafische interface als uitgebreide aanpassing via een Python-API mogelijk maakt.
Deze paper introduceert DeepEST, een multimodaal deep learning-framework dat genexpressie, genlocatie en eiwitstructuur integreert om de functie van bacteriële eiwitten nauwkeuriger te voorspellen dan bestaande methoden.
Dit onderzoek toont aan dat het negeren van epistatische interacties in lineaire modellen voor genomische associatiestudies (GWAS) kan leiden tot vertekende teststatistieken en vals-positieve resultaten, wat voorzichtigheid vereist bij het interpreteren van bestaande bevindingen.
STELAR-X is een nieuw, statistisch consistent algoritme dat de schaalbaarheid van coalescentie-gebaseerde inferentie van soortbomen tot 100.000 soorten en meer mogelijk maakt door een herontworpen computerramwerk met compacte datastructuren en GPU-parallellisme, wat resulteert in aanzienlijk snellere verwerkingstijden en lager geheugengebruik dan bestaande methoden zoals ASTRAL.