ზუსტი დამთხვევა
ორიგინალის ენა
ქვეკორპუსები
ჯგუფები
კრებულები
ტიპები
ჟანრები
დარგები
გამომცემლობები
ავტორები
მთარგმნელები
გამოცემულია
წლიდან
წლამდე
თარგმნილია
წლიდან
წლამდე
წინა შემდეგი
21.
ბიოინფორმატიკის საფუძვლები | თავი 6
It involves traveling through a special architecture of various observed and hidden states to describe a gapped multiple sequence alignment.
ის მოიცავს მოძრაობას სხვადასხვა დაკვირვებადი და ფარული მდგომარეობების სპეციფიკურ აგებულებაში, რომ გეპებიანი თანმიმდევრობების მრავლობითი გათანაბრება აღვწეროთ.
22.
ბიოინფორმატიკის საფუძვლები | თავი 7
Identification of motifs and domains heavily relies on multiple sequence alignment as well as profile and hidden Markov model construction.
მოტივებისა და დომენების იდენტიფიკაცია ძლიერ დამოკიდებულია თანმიმდევრობების მრავლობით გათანაბრებაზე, ისევე, როგორც პროფილებისა და მარკოვის ფარული მოდელის აგებაზე.
23.
ბიოინფორმატიკის საფუძვლები | თავი 7
IDENTIFICATION OF MOTIFS AND DOMAINS IN MULTIPLE SEQUENCE ALIGNMENT
მოტივებისა და დომენების იდენტიფიკაცია თანმიმდევრობების მრავლობით გათანაბრებაში.
24.
ბიოინფორმატიკის საფუძვლები | თავი 7
Motifs and domains are first constructed from multiple alignment of related sequences. Based on the multiple sequence alignment, commonly conserved regions can be identified.
თავიდან მოტივებსა და დომენებს აგებენ მონათესავე თანმიმდევრობების მრავლობითი გათანაბრების საფუძველზე, რაც იძლევა ჩვეულებრივ დაკონსერვებული რეგიონების იდენტიფიკაციის საშუალებას.
25.
ბიოინფორმატიკის საფუძვლები | თავი 7
The first is to reduce the multiple sequence alignment from which motifs or domains are derived to a consensus sequence pattern, known as a regular expression.
პირველია იმ თანმიმდევრობის, რომლიდანაც მიღებულია მოტივები ან დომენები, მრავლობითი გათანაბრების რედუცირება კონსენსუსის თანმიმდევრობის სტრუქტურამდე. ეს პროცესი ცნობილია რეგულარული ექსპრესიის სახელით.
26.
ბიოინფორმატიკის საფუძვლები | თავი 7
The second approach is to use a statistical model to include probability information derived from the multiple sequence alignment.
მეორე მიდგომა მდგომარეობს თანმიმდევრობების მრავლობითი გათანაბრებიდან მიღებული ალბათობის ინფორმაციის შესაყვანად სტატისტიკური მოდელის.
27.
ბიოინფორმატიკის საფუძვლები | თავი 7
For a set of closely related sequences, commonly shared motifs can be discovered by using the multiple sequence alignment–based methods.
ახლო ნათესაური თანმიმდევრობების ნაკრებისთვის ჩვეულებრივად საზიარო მოტივების აღმოჩენა შესაძლებელია თანმიმდევრობების მრავლობით გათანაბრებაზე დაფუძნებული მეთოდების გამოყენებით.
28.
ბიოინფორმატიკის საფუძვლები | თავი 7
For example, the sequences for the helix-turn-helix motif in transcription factors can be subtly different enough that traditional multiple sequence alignment approaches fail to generate a satisfactory answer.
მაგალითად, სპირალი-მარყუჟი-სპირალის მოტივის თანმიმდევრობები ტრანსკრიფციის ფაქტორებში შეიძლება ოდნავ განსხვავდებოდეს, მაგრამ ეს განსხვავება საკმარისია, რომ ტრადიციული თანმიმდევრობების მრავლობითი გათანაბრების მიდგომამ ვერ შეძლოს დამაკმაყოფილებელი პასუხის გაცემა.
29.
ბიოინფორმატიკის საფუძვლები | თავი 7
A multiple sequence alignment or a motif is often represented by a graphic representation called a logo.
თანმიმდევრობების მრავლობითი გათანაბრება ან მოტივი ხშირად წარმოდგენილია გრაფიკული გამოსახულებით, რომელსაც ლოგოს ეძახიან.
30.
ბიოინფორმატიკის საფუძვლები | თავი 7
Databases for motifs and domains can be constructed based on multiple sequence alignment of related sequences.
მოტივებისა და დომენების მონაცემთა ბაზები შეიძლება მონათესავე თანმიმდევრობების მრავლობით გათანაბრებაზე დაყრდნობით ავაგოთ.
31.
ბიოინფორმატიკის საფუძვლები | თავი 11
The basic assumption is that characters at corresponding positions in a multiple sequence alignment are homologous among the sequences involved.
ამ შემთხვევაში ძირითადი დაშვება მდგომარეობს ნიშან-თვისებების ჰომოლოგიურობაში, რომელიც თანმიმდევრობების მრავლობითი გათანაბრების შესაბამის პოზიციებზე არსებობს.
32.
ბიოინფორმატიკის საფუძვლები | თავი 11
In nonparametric bootstrapping, a new multiple sequence alignment of the same length is generated with random duplication of some of the sites at the expense of some other sites.
არაპარამეტრული ბუტსტრეპინგის შემთხვევაში იგივე სიგრძის თანმიმდევრობების ახალი მრავლობითი გათანაბრება იქმნება, სადაც ზოგი საიტი, სხვა საიტის ხარჯზე შემთხვევითად გაორმაგებულია.
33.
ბიოინფორმატიკის საფუძვლები | თავი 14
The secondary structure prediction methods can be either based on this method, which make use of single sequence information only, or homology based, which make use of multiple sequence alignment information.
მეორეული სტრუქტურის პროგნოზირების მეთოდები შეიძლება ამ მეთოდს ეფუძნებოდეს, რომელიც მხოლოდ ერთი თანმიმდევრობის ინფორმაციას იყენებს, ან ჰომოლოგიას ეფუძნებოდეს, რომლის დროსაც მრავალი თანმიმდევრობის გათანაბრების ინფორმაციას ვიყენებთ.
34.
ბიოინფორმატიკის საფუძვლები | თავი 14
The third-generation prediction algorithms also extensively apply sophisticated neural networks to analyze substitution patterns in multiple sequence alignments.
მესამე თაობის პროგნოზირების ალგორითმები მრავალი თანმიმდევრობის გათანაბრებებში ჩანაცვლებების სტრუქტურების გასაანალიზებლად რთულ ნეირონულ ქსელებსაც ინტენსიურად იყენებენ.
35.
ბიოინფორმატიკის საფუძვლები | თავი 14
When multiple sequence alignments and neural networks are combined, the result is further improved accuracy.
მრავალი თანმიმდევრობის გათანაბრებებისა და ნეირონული ქსელების კომბინირების შემთხვევაში, პროგნოზის სიზუსტე კიდევ უფრო იზრდება.
36.
ბიოინფორმატიკის საფუძვლები | თავი 14
In this situation, a neural network is trained not by a single sequence but by a sequence profile derived from the multiple sequence alignment.
ამ შემთხვევაში, ნეირონული ქსელი დასწავლილია არა ცალკეული თანმიმდევრობით, არამედ თანმიმდევრობის პროფილით, რომელიც მიღებულია მრავალი თანმიმდევრობის გათანაბრებით.
37.
ბიოინფორმატიკის საფუძვლები | თავი 14
Profile network from Heidelberg is a web-based program that combines neural network with multiple sequence alignment.
პროფილების ქსელი ჰაიდელბერგიდან ინტერნეტპროგრამაა, რომელიც ნეირონულ ქსელს მრავალი თანმიმდევრობის გათანაბრებასთან კომბინირებს.
38.
ბიოინფორმატიკის საფუძვლები | თავი 14
The first hidden layer makes raw prediction based on the multiple sequence alignment by sliding a window of thirteen positions.
პირველი ფარული შრე მრავალი თანმიმდევრობის გათანაბრების საფუძველზე ნედლ პროგნოზს იძლევა, რასაც ცამეტი პოზიციის მქონე ფანჯრის მოძრაობის საშუალებით ახორციელებს.
39.
ბიოინფორმატიკის საფუძვლები | თავი 14
A profile is extracted from the multiple sequence alignment.
პროფილს თანმიმდევრობების მრავლობითი გათანაბრებიდან გამოყოფენ.
40.
ბიოინფორმატიკის საფუძვლები | თავი 14
This is intended to better capture the recurrent local features of secondary structure based on multiple sequence alignment.
ეს ხორციელდება მრავლობითი გათანაბრების საფუძველზე, მეორეული სტრუქტურის პერიოდული ლოკალური თვისებების უკეთესი დაფიქსირების მიზნით.
წინა შემდეგი