ზუსტი დამთხვევა
ორიგინალის ენა
ქვეკორპუსები
ჯგუფები
კრებულები
ტიპები
ჟანრები
დარგები
გამომცემლობები
ავტორები
მთარგმნელები
გამოცემულია
წლიდან
წლამდე
თარგმნილია
წლიდან
წლამდე
წინა შემდეგი
81.
ბიოინფორმატიკის საფუძვლები | თავი 3
The drawback of focusing on getting a maximum score for the full-length sequence alignment is the risk of missing the best local similarity.
თანმიმდევრობის მთელ სიგრძეზე გათანაბრების მაქსიმალური მაჩვენებლების მიღებაზე ფოკუსირების უარყოფითი მხარეა საუკეთესო ლოკალური მსგავსების დაკარგვის რისკი.
82.
ბიოინფორმატიკის საფუძვლები | თავი 3
In regular sequence alignment, the divergence level between the two sequences to be aligned is not easily known.
თანმიმდევრობების რეგულარული გათანაბრებისას ორ გასათანაბრებელ თანმიმდევრობას შორის დივერგენციის დონე ძნელად გამოსაცნობია.
83.
ბიოინფორმატიკის საფუძვლები | თავი 3
Thus, the empirical approach has gained the most popularity in sequence alignment applications and is the focus of our next discussion.
ამიტომ, თანმიმდევრობების გათანაბრების განხორციელებისთვის ემპირიული მიდგომა მეტად პოპულარულია და ჩვენი შემდგომი განხილვის საგანი ის იქნება.
84.
ბიოინფორმატიკის საფუძვლები | თავი 3
Sequence alignment statistics for more divergent sequences are not available.
თანმიმდევრობების გათანაბრების სტატისტიკა უფრო დაცილებული თანმიმდევრობებისთვის არ არის შექმნილი.
85.
ბიოინფორმატიკის საფუძვლები | თავი 3
STATISTICAL SIGNIFICANCE OF SEQUENCE ALIGNMENT.
თანმიმდევრობების გათანაბრების სტატისტიკური სარწმუნოობა.
86.
ბიოინფორმატიკის საფუძვლები | თავი 3
When given a sequence alignment showing a certain degree of similarity, it is often important to ask whether the observed sequence alignment can occur by random chance or the alignment is indeed statistically sound.
როცა თანმიმდევრობების მოცემული გათანაბრება მსგავსების კონკრეტულ ხარისხს ავლენს, ხშირად მნიშვნელოვანია დავსვათ კითხვა: შემთხვევითობის შედეგია დაკვირვებადი თანმიმდევრობის გათანაბრება, თუ ის სტატისტიკურად მართლაც სანდოა.
87.
ბიოინფორმატიკის საფუძვლები | თავი 3
The truly statistically significant sequence alignment will be able to provide evidence of homology between the sequences involved.
თანმიმდევრობების სტატისტიკურად სრულიად სარწმუნო გათანაბრება მოცემულ თანმიმდევრობებს შორის ჰომოლოგიურობის ნიშნების გამოვლენასაც შეძლებს.
88.
ბიოინფორმატიკის საფუძვლები | თავი 3
This is a web-based program that can be used to evaluate the statistical significance of DNA or protein sequence alignment.
ეს ინტერნეტპროგრამაა, რომელიც შეიძლება გამოვიყენოთ დნმ-ს ან ცილის თანმიმდევრობების გათანაბრების სტატისტიკური სარწმუნოობის შესაფასებლად.
89.
ბიოინფორმატიკის საფუძვლები | თავი 3
Pairwise sequence alignment is the fundamental component of many bioinformatics applications.
დაწყვილებული თანმიმდევრობების გათანაბრება მრავალი ბიოინფორმატიკული პროგრამის არსებითი კომპონენტია.
90.
ბიოინფორმატიკის საფუძვლები | თავი 3
Pairwise sequence alignment provides inference for the relatedness of two sequences.
თანმიმდევრობების დაწყვილებული გათანაბრება ორი თანმიმდევრობის ნათესაობას ადგენს.
91.
ბიოინფორმატიკის საფუძვლები | თავი 3
However, a distinction needs to be made between sequence homology and similarity. The former is inference drawn from sequence comparison, whereas the latter relates to actual observation after sequence alignment.
თუმცა, თანმიმდევრობების ჰომოლოგიურობა და მსგავსება უნდა ერთმანეთისგან განვასხვაოთ: პირველი მიღებულია თანმიმდევრობების შედარებით, მეორე კი, თანმიმდევრობების გათანაბრების შემდეგ, უშუალო დაკვირვებით.
92.
ბიოინფორმატიკის საფუძვლები | თავი 3
There are two sequence alignment strategies, local alignment and global alignment, and three types of algorithm that perform both local and global alignments.
არსებობს თანმიმდევრობების გათანაბრების ორი სტრატეგია: ლოკალური გათანაბრება და გლობალური გათანაბრება, და სამი ტიპის ალგორითმი, რომლებიც ახორციელებს როგორც ლოკალურ, ასევე გლობალურ გათანაბრებას.
93.
ბიოინფორმატიკის საფუძვლები | თავი 14
As a result, correctly identifying secondary structure elements can help to guide sequence alignment or improve existing sequence alignment of distantly related sequences.
ამის შედეგად, მეორეული სტრუქტურის ელემენტების ზუსტი იდენტიფიცირება თანმიმდევრობების გათანაბრების ჩატარებაში გვეხმარება, ან შორეულად მონათესავე თანმიმდევრობების არსებულ გათანაბრებას აუმჯობესებს.
94.
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.
95.
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.
96.
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.
97.
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.
98.
ბიოინფორმატიკის საფუძვლები | თავი 14
A profile is extracted from the multiple sequence alignment.
პროფილს თანმიმდევრობების მრავლობითი გათანაბრებიდან გამოყოფენ.
99.
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.
100.
ბიოინფორმატიკის საფუძვლები | თავი 14
These algorithms make use of multiple sequence alignment information, which implicitly takes the long-range intra-protein interactions into consideration.
ეს ალგორითმები იყენებენ მრავალი თანმიმდევრობის გათანაბრების ინფორმაციას, რომელიც ცილებს შორის არსებულ გრძელვადიან ურთიერთქმედებას ითვალისწინებს.
წინა შემდეგი