💻 Category

bioinformatics

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.

💻 bioinformatics

PHoNUPS: Open-Source Software for Standardized Analysis and Visualization of Multi-Instrument Extracellular Vesicle Measurements

PHoNUPS is een gratis, open-source R-gebaseerde softwaretool die is ontworpen om de analyse en visualisatie van multi-instrument extracellulaire vesikeldata te standaardiseren door diverse bestandsformaten te verenigen in publicatieklare statistieken, histogrammen en contourplots om reproduceerbaarheid en naleving van MISEV-rapportage-standaarden te verbeteren.

Melykuti, B., Bustos-Quevedo, G., Prinz, T., Nazarenko, I.2026-02-02
💻 bioinformatics

Quantum and Classical Graph Convolutional Neural Networks for Protein Ligand Dissociation Constant Prediction

Dit artikel introduceert een hybride kwantum-klassieke grafische neurale netwerk die korte-termijn moleculaire dynamica-simulaties en variatiele kwantumcircuits integreert om de nauwkeurigheid en parameter-efficiëntie van het voorspellen van eiwit-ligand dissociatiesnelheden voor medicijnontwerp aanzienlijk te verbeteren.

Salamatov, A., Bai, J., Atluri, G., Guan, C.2026-02-01
💻 bioinformatics

BiomarkerKB: An Integrated Knowledgebase Supporting Biomarker-Centric Exploration of Biomedical Data

BiomarkerKB is een uitgebreide, FAIR-conforme kennisbank en grafiekgebaseerd platform dat meer dan 200.000 biomarker-ziekte-associaties uit diverse bronnen harmoniseert in een gestandaardiseerd kader om reproduceerbare exploratie en ontdekking in precisiegeneeskunde mogelijk te maken.

Masood, D., Kim, M., Vora, J., Kahsay, R., McNeeley, P., Kim, S., Kulkarni, S., Natale, D. A., Ramachandran, S., Gupta (…)2026-02-01
💻 bioinformatics

How different AI models understand cells differently

Het artikel introduceert scGeneLens, een framework dat onthult hoe verschillende single-cell foundation models (scFMs) zoals scFoundation en scGPT uiteenlopende "pluralistische" percepties van cellen ontwikkelen door ofwel prioriteit te geven aan celtype-markergenen of aan gedeelde biologische pathways, waardoor het bruikbare inzichten biedt voor toekomstig modelontwerp.

Zhao, Y., Sun, D., Hao, M., Xiong, Y., Li, C., Gong, T., Wei, L., Zhang, X.2026-01-30
💻 bioinformatics

scTREND: An annotation-free single-cell time-resolved and condition-dependent hazard model

Het artikel introduceert scTREND, een annotatievrij computationeel framework dat single-cell transcriptomica integreert met klinische uitkomsten om tijdvariërende, conditieafhankelijke celniveau-hazards te modelleren, waardoor dynamische risicobeoordeling mogelijk wordt over diverse ziekten en ruimtelijke of bulk-datamodaliteiten heen zonder dat vooraf gedefinieerde celtype-labels vereist zijn.

Yuki, S., Mizukoshi, C., Abe, K., Shimamura, T.2026-01-29
💻 bioinformatics

Organ-specific prioritization and annotation of non-coding regulatory variants in the human genome

De auteurs presenteren TLand, een nieuwe machine learning-architectuur gebouwd op de RegulomeDB-database die bestaande modellen overtreft in het voorspellen en prioriteren van cel- en orgaanspecifieke niet-coderende regulatoire varianten, waardoor de interpretatie van GWAS-geassocieerde SNP's over het menselijke genoom wordt verbeterd.

Zhao, N., Sherpa, R. N., Dong, S., Howcroft, K. B., Boyle, A. P.2026-01-28