bioinformatics papers | Gist.Science

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.

💻 bioinformatics

How to gain valuable insight from scarce data with Machine Learning: a post-hoc explanation tool to identify biases in biological images classification

Deze studie demonstreert dat het gebruik van post-hoc uitlegmiddelen zoals SHAP cruciaal is om schijnbare prestaties van machine learning-modellen op kleine biologische datasets te analyseren, waardoor verborgen biases (zoals het herkennen van individuele muizen in plaats van weefselherstel) worden onthuld en waardevolle biologische inzichten kunnen worden gewonnen.

Bolut, C., Pacary, A., Pieruccioni, L., Ousset, M., Paupert, J., Casteilla, L., Simoncini, D.2026-02-20

💻 bioinformatics

High-resolution population structure inference using genome-wide short tandem repeat variations

Dit onderzoek introduceert een multi-modaal raamwerk dat genoomwijd short tandem repeat (STR)-variaties gebruikt om, met name op regionaal niveau, een fijnmazigere en biologisch interpreteerbare afbeelding van de menselijke populatiestructuur te verkrijgen dan traditionele SNP-gebaseerde methoden.

Xia, F., Baudis, M., Anisimova, M.2026-02-20

💻 bioinformatics

ProteinConformers: large-scale and energetically profiled descriptions of protein conformational landscapes

ProteinConformers is een nieuwe resource die 2,7 miljoen geometrisch geoptimaliseerde eiwitconformaties biedt, aangevuld met uitgebreide energetische en vergelijkingsdata, om de conformationele landschappen van eiwitten op grote schaal te modelleren en te analyseren voor toepassingen in dynamica, allosterie en medicijnontwikkeling.

Zhou, Y., Wei, C., Sun, M., Wang, L., Song, J., Xu, F., Li, Y., Zheng, W., Zhang, Y.2026-02-20

💻 bioinformatics

Convergence of Angiotensin Signaling on Lung Pericyte and Stromal Behaviors

Deze studie identificeert AGTR1 als een specifiek marker voor longpericyten en toont aan dat angiotensine-signaling via deze receptor cruciaal is voor het behoud van longweefsel, waarbij verstoringen bij ziektes zoals COPD en veroudering leiden tot aantasting van pericytfuncties en herstelmechanismen.

Benjamin, K. J. M., Gonye, E., Sauler, M., Gidner, S., Malinina, A., Neptune, E. R.2026-02-19

💻 bioinformatics

Investigating the topological motifs of inversions in pangenome graphs

Dit onderzoek identificeert twee topologische motieven voor inversies in pangenoomgrafen en toont aan dat bestaande pipelines deze varianten vaak verkeerd representeren of volledig missen, met name in realistische menselijke datasets.

Romain, S., Dubois, S., Legeai, F., Lemaitre, C.2026-02-19

💻 bioinformatics

Harnessing DNA Foundation Models for Cross-Species Transcription Factor Binding Site Prediction in Plant Genomes

Deze studie toont aan dat DNA-foundationmodellen, met name HyenaDNA, superieure en schaalbare prestaties leveren bij het voorspellen van transcriptiefactorbindingsplaatsen in plantengenomen, zoals bewezen door benchmarking met DAP-seq-data van Arabidopsis thaliana en Sisymbrium irio.

Haghani, M., Dhulipalla, K. V., Li, S.2026-02-19

💻 bioinformatics

Impact of Data Quality on Deep Learning Prediction of Spatial Transcriptomics from Histology Images

Dit onderzoek toont aan dat de kwaliteit van de trainingsdata, met name de mate van sparsiteit, ruis en beeldresolutie, een cruciale en vaak onderschatte factor is die de voorspellende prestaties van deep learning-modellen voor het voorspellen van ruimtelijke transcriptomics uit histologie-afbeeldingen beïnvloedt, waarbij het verbeteren van deze datakwaliteit een effectieve strategie biedt naast het optimaliseren van modelarchitecturen.

Hallinan, C., Lucas, C.-H. G., Fan, J.2026-02-19

💻 bioinformatics

The practical impact of numerical variability on structural MRI measures of Parkinson's disease

Dit onderzoek toont aan dat numerieke variabiliteit in MRI-analyses van de ziekte van Parkinson aanzienlijk kan leiden tot valse conclusies, en introduceert een praktisch kader om deze onzekerheid te kwantificeren en te minimaliseren.

Chatelain, Y. M. B., Sokołowski, A., Sharp, M., Poline, J.-B., Glatard, T.2026-02-19

💻 bioinformatics

jazzPanda: A hybrid approach to find spatial markergenes in imaging-based spatial transcriptomics data

De auteurs presenteren jazzPanda, een hybride R-pakket dat een binning-methode toepast om ruimtelijke transcriptomics-data te analyseren en zo specifiekere ruimtelijke marker-genen te identificeren dan bestaande methoden die de ruimtelijke verdeling negeren.

Jin, X., Putri, G. H., Cheng, J., Asselin-Labat, M.-L., Smyth, G. K., Phipson, B.2026-02-19

💻 bioinformatics

Pioneer and Altimeter: Fast Analysis of DIA Proteomics Data Optimized for Narrow Isolation Windows

Deze paper introduceert Pioneer en Altimeter, open-source tools die DIA-proteomics-data sneller en nauwkeuriger analyseren door systematische afwijkingen veroorzaakt door smalle isolatiewindows expliciet te modelleren.

Wamsley, N. T., Wilkerson, E. M., Major, M. B., Goldfarb, D.2026-02-19

← Vorige Volgende →