394 papers
Celbiologie is de sleutel tot het begrijpen van het leven zelf, van hoe individuele cellen communiceren tot het ontstaan van complexe ziektes. Deze tak van de wetenschap duikt diep in de mechanismen die onze cellen laten leven, groeien en zich verdedigen. Op Gist.Science maken we deze complexe inzichten toegankelijk voor iedereen, zonder dat je een doctoraat nodig hebt om de essentie te vatten.
Elke nieuwe preprint die verschijnt in de celbiologie-categorie op bioRxiv, wordt door ons team zorgvuldig verwerkt. Wij bieden voor elk artikel zowel een heldere, begrijpelijke samenvatting voor de breedte publiek als een gedetailleerde technische analyse voor experts. Zo blijft de wetenschap transparant en toegankelijk, ongeacht je achtergrond.
Hieronder vind je de meest recente publicaties in dit dynamische vakgebied, direct vanuit bioRxiv en met onze unieke samenvattingen.
Deze studie onthult dat inefficiënte autofagosoomvorming fungeert als een snelheidsbeperkende stap in neuronale mitofagie, wat zorgt voor een significant tragere klaring van beschadigde mitochondriën vergeleken met niet-neuronale modellen en potentieel bijdraagt aan neuronale kwetsbaarheid bij neurodegeneratieve ziekten.
Deze studie toont aan dat gecoördineerde chromosoombeweging tijdens de metafase een emergente mechanische eigenschap is die voortvloeit uit de visco-elastische spoelomgeving, waarbij microtubuli en chromatine krachtoverdracht en afstemming faciliteren door middel van stochastische mechanische koppeling in plaats van directe regulatoire signalering.
Dit artikel introduceert kwantitatieve expansiemicroscopie (qExM), een cryo-gefixeerde methode die moleculaire decrowding benut om de endogene eiwitabundantie in situ nauwkeurig te schatten, waarbij een gemiddelde fout van 9,4% wordt bereikt bij het benchmarken van nucleaire porcomplexen en de kwantificering van mitochondriale ademhalingsketencomplexen in diverse cellulaire contexten mogelijk wordt gemaakt.
Dit artikel introduceert MorphoLearn, een morfologie-gestuurd AI-framework dat schaalbare en nauwkeurige 3D-segmentatie van diverse diatomeeën-ultrastructuren uit FIB-SEM-data mogelijk maakt door het optimaliseren van lichtgewicht neurale netwerken, gebruik te maken van transfer learning en grensbewuste strategieën toe te passen om de uitdagingen veroorzaakt door hoge morfologische variabiliteit en beperkte annotaties te overwinnen.