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 is defined as a table that contains probability information of amino acids or nucleotides at each position of an ungapped multiple sequence alignment.
ის ცხრილია, რომელიც უგეპო თანმიმდევრობების მრავლობით გათანაბრებაში ამინომჟავების ან ნუკლეოტიდების ყოველი პოზიციის ალბათობის ინფორმაციას შეიცავს.
22.
ბიოინფორმატიკის საფუძვლები | თავი 6
As in sequence alignment, gap penalty scores in a profile matrix are often arbitrarily set.
ისევე, როგორც თანმიმდევრობების გათანაბრებისას, პროფილის მატრიცაშიც გეპ-პენალტის მაჩვენებლები ხშირად თვითნებურად დგინდება.
23.
ბიოინფორმატიკის საფუძვლები | თავი 6
The high-scoring hits are used to build a multiple sequence alignment, from which a profile is created.
მაღალი შეფასების მქონე მოხვედრებს ის თანმიმდევრობების მრავლობითი გათანაბრების ასაგებად იყენებს, საიდანაც შემდეგ პროფილს ქმნის.
24.
ბიოინფორმატიკის საფუძვლები | თავი 6
To use it to describe gapped multiple sequence alignment, a character in the alignment can be in one of three states, match (a mismatch can be quantitatively expressed as low probability of a match), insertion, and deletion.
იმისთვის, რომ ის გეპებიანი მრავლობითი თანმიმდევრობების გათანაბრების აღსაწერად გამოვიყენოთ, ნიშანი გათანაბრებაში შეიძლება სამი მდგომარეობიდან ერთ-ერთში იყოს: შეთავსების (შეუთავსებლობა შეიძლება რაოდენობრივად გამოვსახოთ, როგორც შეთავსებადობის დაბალი ალბათობა), ინსერციის და დელეციის.
25.
ბიოინფორმატიკის საფუძვლები | თავი 6
One such algorithm is the Viterbi algorithm, which works in a similar fashion as in dynamic programming for sequence alignment (see Chapter 3).
ერთ-ერთი მათგანია ვიტერბის ალგორითმი, რომელიც დინამიკური პროგრამირების მსგავსად მუშაობს, რომელსაც თანმიმდევრობების გათანაბრებისთვის ვიყენებდით.
26.
ბიოინფორმატიკის საფუძვლები | თავი 6
To automate the process of regularization, various mathematical models have been developed to simulate the amino acid distribution in a sequence alignment.
რეგულარიზაციის პროცესის ავტომატიზაციის მიზნით შეიმუშავეს სხვადასხვა მათემატიკური მოდელი, რომლებიც ახდენენ თანმიმდევრობების გათანაბრებაში ამინომჟავების განაწილების სიმულაციას.
27.
ბიოინფორმატიკის საფუძვლები | თავი 6
These preconstructed models aim to correct the observed amino acid distribution derived from a limited sequence alignment.
ამ წინასწარ კონსტრუირებულ მოდელებს შეუძლია ამინომჟავების დაკვირვებადი განაწილების შესწორება, რომელიც მიღებულია ლიმიტირებული თანმიმდევრობების გათანაბრების შედეგად.
28.
ბიოინფორმატიკის საფუძვლები | თავი 6
Although they has to be trained based on multiple sequence alignment, once it is trained, it can in turn be used for the construction of multiple alignment of related sequences.
მათი სწავლება უნდა მოხდეს მრავალი თანმიმდევრობის გათანაბრებაზე დაყრდნობით, მაგრამ დასწავლის შემდეგ ის შეიძლება პირიქით, ნათესაური თანმიმდევრობების მრავლობითი გათანაბრების ასაგებადაც გამოვიყენოთ.
29.
ბიოინფორმატიკის საფუძვლები | თავი 6
It creates profile from a sequence alignment using the subprogram.
პაკეტი ქვეპროგრამის საშუალებით, პროფილებს ქმნის, რასაც თანმიმდევრობების გათანაბრებიდან ახორციელებს.
30.
ბიოინფორმატიკის საფუძვლები | თავი 6
Because they allow partial matches, they are more sensitive in detecting remote homologs than regular sequence alignment methods.
ვინაიდან ისინი უშვებენ ნაწილობრივ შეთავსებებს, ამიტომ დაცილებული ჰომოლოგების დადგენაში უფრო დიდ მგრძნობელობას ავლენენ, ვიდრე თანმიმდევრობების გათანაბრების ჩვეულებრივი მეთოდები.
31.
ბიოინფორმატიკის საფუძვლები | თავი 6
By definition is a scoring table derived from ungapped multiple sequence alignment.
განმარტების მიხედვით მრავალი უგეპო თანმიმდევრობის შედეგად მიღებული შეფასების ცხრილია.
32.
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.
33.
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.
34.
ბიოინფორმატიკის საფუძვლები | თავი 7
IDENTIFICATION OF MOTIFS AND DOMAINS IN MULTIPLE SEQUENCE ALIGNMENT
მოტივებისა და დომენების იდენტიფიკაცია თანმიმდევრობების მრავლობით გათანაბრებაში.
35.
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.
36.
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.
37.
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.
38.
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.
39.
ბიოინფორმატიკის საფუძვლები | თავი 7
The program applies to generate a sequence motif, which is an ungapped local sequence alignment.
პროგრამა თანმიმდევრობების მოტივების შესაქმნელად მიმართავს, რომელიც თანმიმდევრობების უგეპო, ლოკალური გათანაბრებაა.
40.
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.
წინა შემდეგი