1205 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 ITEC, een volledig onbewaakte methode die de hoogwaardige reconstructie van volledige celstambomen en lotkaarten van levende embryo's mogelijk maakt door middel van iteratieve tracking met foutcorrectie, wat is gevalideerd op kruis-species datasets en leidt tot nieuwe inzichten in morfogenese en ruimtelijke transcriptomics.
De auteurs introduceren scPloidyR, een statistisch model dat read depth en B-allelfrequenties combineert om de nauwkeurigheid van copy number calling in single-cell DNA-sequencing van kankercellen aanzienlijk te verbeteren ten opzichte van bestaande methoden, mits allelische informatie beschikbaar is.
Deze studie introduceert een simulatiekader dat hiërarchisch reinforcement learning effectiever toont dan traditionele methoden voor het optimaliseren van antibioticastewardship onder onzekerheid, waarbij patiëntenheterogeniteit en tijdsafhankelijke effecten cruciale factoren zijn voor het beheersen van antimicrobiële resistentie.
Dit onderzoek toont aan dat conformele voorspelling betrouwbare, spectrum-specifieke kandidaatsets voor molecuulidentificatie uit LC-MS/MS-data genereert met gegarandeerde dekking, zelfs onder distributieveranderingen, door de afweging tussen betrouwbaarheid en efficiëntie expliciet te maken.
Deze studie introduceert een nieuwe aanpak voor het personaliseren van gennetwerken bij pancreaskanker door replicatietiming en morfologie te integreren, wat leidt tot een robuustere subtypering en een hoge voorspellende nauwkeurigheid voor basale en klassieke subtypes.
Het Grass Expression Atlas (GExA) is een interactieve, webgebaseerde resource die gestandaardiseerde RNA-seq-gegevens voor genexpressie integreert voor vier millet-soorten, gerst en sorghum, en zo een schaalbaar platform biedt voor het verkennen van genexpressie in grassen.
Stoic is een snelle en nauwkeurige methode die eiwittaalmodel-embeddings en een grafische neurale netwerk gebruikt om de stoichiometrie van eiwitcomplexen te voorspellen door zich te richten op interface-residuen in plaats van globale sequentiekenmerken.
PepCABO is een latent-space Bayesian optimization-framework dat gebruikmaakt van contrastieve uitlijning en een dubbel variational autoencoder om de binding van peptiden aan MHC-allelen efficiënter te optimaliseren door gestructureerde kennisoverdracht en een informatieve prior.
Deze studie introduceert een uitbreiding van het ColBuilder-framework dat het genereren van atomaire modellen van collageen fibrillen met niet-enzymatische AGE-kruisverbindingen mogelijk maakt, waardoor de impact van veroudering en diabetes op de weefselmechanica beter kan worden onderzocht.
Dit paper introduceert PBML, een nieuw algoritme dat de Positional Burrows-Wheeler Transform (PBWT) uitbreidt om efficiënt en schaalbaar langere, biologisch relevante gedeelde afstammingssegmenten in grote haplotypepanelen te detecteren door het tellen van Set-Maximal Exact Matches (SMEMs) te beperken tot die welke voorkomen in ten minste *k* haplotypes en een lengte van ten minste *L* loci hebben.