763 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 artikel introduceert **bcrnnoise**, een open-source Python-framework dat deterministische drift, Gaussische fluctuaties en additieve sporadische sprongen verenigt in één model voor stochastische differentiaalvergelijkingen om nauwkeurige transcriptiesporen efficiënt te genereren met een rekenkracht die tot twee ordes van grootte sneller is dan exacte stochastische steekproefneming.
SaVanache is een multi-resolutie visualisatietool die een efficiënte, real-time verkenning en intuïtieve één-naar-veel vergelijking van complexe pangenoom-variantiegrafieken mogelijk maakt door GFA-bestanden voor te verwerken tot geoptimaliseerde indexen en gespecialiseerde glyphen te gebruiken om structurele variaties ten opzichte van een lineair pivot-genoom te benadrukken.
Dit artikel presenteert een statistische destriping-methode voor 10x Genomics VisiumHD-gegevens die bin-tellingen modelleert aan de hand van kernsegmentatie en een geregulariseerd gegeneraliseerd lineair model om multiplicatieve striping-artefacten effectief te verwijderen terwijl grote biologische signalen behouden blijven, en die presteert beter dan bestaande normalisatiebenaderingen.
Het artikel introduceert SLiMNet, een deep learning-model dat gebruikmaakt van embeddings van grote taalmodellen voor eiwitten en contrastief leren om functionele gelijkenissen tussen korte lineaire motieven (SLiM's) te voorspellen, waardoor functionele annotatie van eerder niet-gecharacteriseerde motieven mogelijk wordt en er uitgebreide atlassen van potentiële functionele paren voor de onderzoeksgemeenschap worden geboden.
ProtSpace is een privacybehoudende, browsergebaseerde webapplicatie die interactieve visualisatie en systematische exploratie van inbeddingsruimten van taalkundige eiwitmodellen mogelijk maakt, waarbij complexe functionele en structurele relaties die verder gaan dan traditionele sequentie-ähnelijkheid worden blootgelegd via geïntegreerde 3D-structuurweergave en multi-label annotaties.
Het artikel introduceert MANGO, een nieuwe netwerkklastermethode die hub-bias in genensetanalyse corrigeert door te conditioneren op de graadverdeling, waardoor robuuste detectie van biologisch betekenisvolle ruimtelijke autocorrelatie mogelijk wordt zonder de vals-positieven die inherent zijn aan traditionele over-representatie- of naïeve op netwerken gebaseerde benaderingen.
Het artikel introduceert geneSync, een R-pakket dat gen-symboolinconsistenties in grootschalige RNA-seq-gegevens oplost via een hiërarchische matchingstrategie en offline databases, waardoor de integratie tussen verschillende datasets en de overlap van kenmerken aanzienlijk worden verbeterd.
Dit artikel toont aan dat conventionele basismethoden even goed of beter presteren dan eiwit-taalmodellen bij het voorspellen van de effecten van mutatie-dichte eiwitvarianten, wat suggereert dat pLM's integratie met biofysische of structurele priors vereisen om het eiwitontwerp effectief vooruit te helpen.
PhenotypeToGeneDownloaderR is een lichtgewicht, reproduceerbare R/Python-pijplijn die de ophaaling, harmonisatie en validatie van aan fenotypen gerelateerde genen uit meerdere heterogene biologische databases automatiseert, waarbij een hoge recall wordt bereikt en de complementariteit van geïntegreerde bewijsbronnen voor downstream genetische analyse wordt aangetoond.
Dit artikel introduceert Atlas, een pretrainingsdataset voor het microbioom op grote schaal, en de Waypoint-familie van fundamentele modellen, en toont via de Compass-benchmark aan dat zelftoezicht op pretraining klassieke methoden en bestaande modellen aanzienlijk overtreft in diverse voorspellingstaken voor het microbioom.