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 4
Deriving the statistical measure is slightly different from that for single pairwise sequence alignment; the larger the database, them or unrelated sequence alignments there are.
ამ შემთხვევაში სტატისტიკური განზომილებების დადგენა ოდნავ განსხვავებულია იგივე პროცედურისგან, რომელსაც ცალკეული დაწყვილებული თანმიმდევრობების გათანაბრებისას ვიყენებთ: რაც უფრო დიდია მონაცემთა ბაზა, მით მეტია მასში არამონათესავე თანმიმდევრობების გათანაბრებები.
2.
ბიოინფორმატიკის საფუძვლები | თავი 4
This necessitates a new parameter that takes into account the total number of sequence alignments conducted, which is proportional to the size of the database.
ეს ახალი პარამეტრის შემოტანას ითხოვს, რომელიც გაითვალისწინებს თანმიმდევრობების ჩატარებული გათანაბრებების სრულ რაოდენობას, ის კი მონაცემთა ბაზის ზომის პროპორციულია.
3.
ბიოინფორმატიკის საფუძვლები | თავი 4
The length of the bars represents the spans of sequence alignments relative to the query sequence.
მონაკვეთების სიგრძე ასახავს თანმიმდევრობების გათანაბრებების დიაპაზონს, გამოსაკვლევ თანმიმდევრობასთან შეფარდებით.
4.
ბიოინფორმატიკის საფუძვლები | თავი 5
The collection of local and global sequence alignments are pooled to form a library.
თანმიმდევრობების ლოკალური და გლობალური გათანაბრებების კოლექციას ბიბლიოთეკის შესაქმნელად აერთიანებენ.
5.
ბიოინფორმატიკის საფუძვლები | თავი 5
In many bioinformatics analyses, in particular, phylogenetic analysis, it is often necessary to convert various formats of sequence alignments to the one acceptable by an application program.
მრავალ ბიოინფორმატიკულ ანალიზში, კონკრეტულად კი ფილოგენეზურ ანალიზში, ხშირად საჭიროა თანმიმდევრობების გათანაბრებების სხვადასხვა ფორმატის ერთ ფორმატში გარდაქმნა, რომლის გამოყენებასაც პროგრამა შეძლებს.
6.
ბიოინფორმატიკის საფუძვლები | თავი 6
One of the applications of multiple sequence alignments in identifying related sequences in databases is by construction of position-specific scoring matrices, profiles, and hidden Markov models.
თანმიმდევრობის მრავლობითი გათანაბრების ერთ-ერთი გამოყენება მდგომარეობს მონაცემთა ბაზაში მონათესავე თანმიმდევრობების დადგენაში, რაც პოზიცია-სპეციფიკური შეფასების მატრიცების პროფილებისა და მარკოვის ფარული მოდელების აგების საშუალებით ხორციელდება.
7.
ბიოინფორმატიკის საფუძვლები | თავი 6
Actual multiple sequence alignments often contain gaps of varying lengths.
თანმიმდევრობის რეალური მრავლობითი გათანაბრებები ხშირად შეიცავს განსხვავებული სიგრძის გეპებს.
8.
ბიოინფორმატიკის საფუძვლები | თავი 6
This statistical tool was subsequently found to be ideal for describing sequence alignments.
შემდგომში აღმოჩნდა, რომ ეს სტატისტიკური მეთოდი იდეალურად უხდება თანმიმდევრობების გათანაბრების აღწერასაც.
9.
ბიოინფორმატიკის საფუძვლები | თავი 7
The consensus sequence patterns are derived from conserved regions of proteins sequence alignments and are represented with regular expressions.
თანმიმდევრობების კონსენსუსის სტრუქტურები მიღებულია ცილის თანმიმდევრობების გათანაბრებების დაკონსერვებული რეგიონებიდან და წარმოდგენილია რეგულარული ექსპრესიის საშუალებით.
10.
ბიოინფორმატიკის საფუძვლები | თავი 7
The clustering criteria include statistical scores in sequence alignments or orthologous relationships.
დაჯგუფების კრიტერიუმში შედის თანმიმდევრობების გათანაბრებიდან ან ორთოლოგიების ნათესაური კავშირებიდან მიღებული სტატისტიკური მაჩვენებლები.
11.
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.
12.
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.
13.
ბიოინფორმატიკის საფუძვლები | თავი 3
This is the series of blocks amino acid substitution matrices, all of which are derived based on direct observation for every possible amino acid substitution in multiple sequence alignments.
ეს ამინომჟავების ჩანაცვლებების მატრიცების ბლოკების სერიებია, თითოეული მიღებულია თანმიმდევრობების მრავლობით გათანაბრებაში ყველა შესაძლო ამინომჟავას ჩანაცვლებაზე პირდაპირი დაკვირვებით.
14.
ბიოინფორმატიკის საფუძვლები | თავი 3
The matrices are entirely derived from local sequence alignments of conserved sequence blocks.
მატრიცები მთლიანად მიღებულია დაკონსერვებული ბლოკების თანმიმდევრობების ლოკალური გათანაბრებებით.
15.
ბიოინფორმატიკის საფუძვლები | თავი 3
These statistics were derived from ungapped local sequence alignments.
ეს სტატისტიკა მიღებულია გეპების არმქონე თანმიმდევრობების ლოკალური გათანაბრებებიდან.
16.
ბიოინფორმატიკის საფუძვლები | თავი 10
Automatic sequence alignments almost always contain errors.
თანმიმდევრობების ავტომატური გათანაბრება თითქმის ყოველთვის შეცდომებს გვაძლევს.
17.
ბიოინფორმატიკის საფუძვლები | თავი 9
The predictive value of this method also depends on the quality of the subsequent sequence alignments.
ამ მეთოდის პროგნოზირების სიმძლავრე ასევე დამოკიდებულია თანმიმდევრობების შემდგომი გათანაბრების ხარისხზე.
წინა შემდეგი