ზუსტი დამთხვევა
ორიგინალის ენა
ქვეკორპუსები
ჯგუფები
კრებულები
ტიპები
ჟანრები
დარგები
გამომცემლობები
ავტორები
მთარგმნელები
გამოცემულია
წლიდან
წლამდე
თარგმნილია
წლიდან
წლამდე
წინა შემდეგი
1.
ბიოინფორმატიკის საფუძვლები | თავი 1
For example, protein structure prediction depends on sequence alignment data; clustering of gene expression profiles requires the use of phylogenetic tree construction methods derived in sequence analysis.
მაგალითად, ცილის აგებულების პროგნოზი დამოკიდებულია თანმიმდევრობების გათანაბრების მონაცემებზე; გენების ექსპრესიის პროფილების კლასტერირება (დაჯგუფება) მოითხოვს ფილოგენეზური ხის აგების მეთოდების გამოყენებას, რაც თანმიმდევრობების ანალიზს ეფუძნება.
2.
ბიოინფორმატიკის საფუძვლები | თავი 2
One of the problems associated with biological databases is overreliance on sequence information and related annotations, without understanding the reliability of the information.
ბიოლოგიურ მონაცემთა ბაზებთან დაკავშირებულია ერთ-ერთი პრობლემა, რომელიც თანმიმდევრობების ინფორმაციისა და მათზე ანოტაციების უპირობო ნდობას გულისხმობს, ამ ინფორმაციის სარწმუნოობის გააზრების გარეშე.
3.
ბიოინფორმატიკის საფუძვლები | თავი 13
The intramolecular approach relies on structural internal statistics and therefore does not depend on sequence similarity between the proteins to be compared.
მოლეკულებსშიდა მიდგომა შიდა სტრუქტურების სტატისტიკას ეყრდნობა და ამიტომ, შესადარებელი ცილების თანმიმდევრობების მსგავსებისგან დამოუკიდებელია.
4.
ბიოინფორმატიკის საფუძვლები | თავი 15
As the name suggests, homology modeling predicts protein structures based on sequence homology with known structures.
როგორც სახელწოდებიდან ჩანს, ჰომოლოგების მოდელირება ცილის სტრუქტურას პროგნოზირებს. ეს ხდება გამოსაკვლევი თანმიმდევრობის ცნობილ სტრუქტურებთან ჰომოლოგიურობის საფუძველზე.
5.
ბიოინფორმატიკის საფუძვლები | თავი 15
The best loop can be selected based on sequence similarity as well as minimal steric clashes with the neighboring parts of the structure.
ყველაზე საუკეთესო მარყუჟის შერჩევა შესაძლებელია თანმიმდევრობების მსგავსებაზე და მეზობელ ნაწილებთან სტრუქტურის სივრცულ კონტაქტზე დაყრდნობით.
6.
ბიოინფორმატიკის საფუძვლები | თავი 15
Because threading and fold recognition detect structural homologs without completely relying on sequence similarities, they have been shown to be far more sensitive in finding distant evolutionary relationships.
სრედინგი და ნაკეცის გამოცნობა სტრუქტურულ ჰომოლოგებს ისე ადგენს, რომ თანმიმდევრობების მსგავსებას მთლიანად არ ეყრდნობა, ამიტომ, დაცილებული ევოლუციური ნათესაობის პოვნაში ისინი გაცილებით უფრო მგრძნობიარეა.
7.
ბიოინფორმატიკის საფუძვლები | თავი 15
The comparison between the query and the structural profiles is done using global alignment or local alignment depending on sequence variability.
გამოსაკვლევ და სტრუქტურულ პროფილებს შორის შედარება გლობალური ან ლოკალური გათანაბრების გამოყენებით ხორციელდება, რაც დამოკიდებულია თანმიმდევრობის ცვალებადობაზე.
8.
ბიოინფორმატიკის საფუძვლები | თავი 15
As the name suggests, the prediction method attempts to produce all-atom protein models based on sequence information alone without the aid of known protein structures.
როგორც სახელწოდებიდან გამომდინარეობს, პროგნოზის მეთოდი ყველა ატომის მოდელის შექმნას მხოლოდ თანმიმდევრობის ინფორმაციის საფუძველზე ცდილობს, და ცნობილი ცილების სტრუქტურების ინფორმაციას არ იყენებს.
9.
ბიოინფორმატიკის საფუძვლები | თავი 19
Predicting Interactions Based on Sequence Homology.
ურთიერთმოქმედების პროგნოზი, თანმიმდევრობების ჰომოლოგიაზე დაყრდნობით.
10.
ბიოინფორმატიკის საფუძვლები | თავი 3
Other matrices based on sequence groups of various identity levels have also been constructed.
იგივეობის სხვადასხვა დონის მქონე თანმიმდევრობების ჯგუფებზე დაფუძნებული სხვა მატრიცებიც კონსტრუირებულია.
წინა შემდეგი