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 PIGLET, een nieuwe grafische transformer-methode voor het voorspellen van geneesmiddel-doelwijn-interacties die, in tegenstelling tot bestaande modellen, superieure prestaties behaalt op een strengere, op geneesmiddelen gebaseerde validatie en succesvol wordt toegepast in een reële casestudy voor geneesmiddelenontwikkeling.
Deze paper introduceert de ICI-Kt-methode, die links-gecensureerde ontbrekende metabolomics-data interpreteert als waardevolle informatie om zo de correlatieberekening, outlier-detectie en netwerkbouw te verbeteren.
Dit artikel introduceert ProteomeLM, een taalmodel dat op het niveau van volledige proteomen werkt en zonder supervisie interacties tussen eiwitten kan voorspellen, terwijl het ook geavanceerde, gesuperviseerde modellen biedt voor het nauwkeurig en snel voorspellen van eiwitinteracties en gen-essentialiteit over diverse soorten heen.
Deze paper introduceert ConNIS, een nieuwe statistische methode die de waarschijnlijkheid berekent van insertievrije sequenties om essentiële genen in TraDIS-bibliotheken nauwkeuriger te identificeren dan bestaande methoden, vooral bij lage insertiedichtheden, en biedt bovendien een data-gedreven criterium voor het instellen van analyseparameters.
Deze studie presenteert een robuust computergestuurd framework dat aantoont hoe specifieke mutatieprocessen in 560 borstkankergenomen de binding van transcriptiefactoren systematisch verstoren, waardoor subtype-specifieke herschakelingen in het genregulatoire landschap worden onthuld die bijdragen aan transcriptionele deregulatie.
Deze studie toont aan dat de evaluatie van modellen voor het voorspellen van single-cell-perturbatiereacties complex is, omdat veelgebruikte metrieken vaak misleidend zijn en zelfs geavanceerde deep learning-modellen vaak onderpresteren ten opzichte van eenvoudige baselines.
Hoewel de prestaties van variant-effectpredictoren afhankelijk zijn van de genetische afkomst en allelfrequentie, tonen de auteurs aan dat deze modellen na stratificatie vergelijkbare nauwkeurigheid vertonen over verschillende bevolkingsgroepen, wat hun verantwoorde inzet ondersteunt in de klinische genetica.
Dit artikel introduceert MW-RaMViD, een op video-diffusie gebaseerde methode die ontbrekende 2D-kantelbeelden genereert om de 'missing-wedge'-artefacten in cryo-elektronentomografie te corrigeren en zo de reconstructiekwaliteit te verbeteren.
Deze paper introduceert DeepMDTOMO, een diep-leringsframework dat de berekeningskosten van bestaande methoden verlaagt en nauwkeurige atomaire conformatielandschappen van biomoleculen kan afleiden uit ruisige cryo-electrontomografiedata met ontbrekende wig-artefacten.
Deze studie introduceert SomaSV, een kosteneffectief hybride sequenceringsframework dat tumorlange-leesdata combineert met korte-en lange-leesdata van een normaal monster om somatische structurele varianten nauwkeuriger en goedkoper te detecteren dan bestaande methoden.