ზუსტი დამთხვევა
ორიგინალის ენა
ქვეკორპუსები
ჯგუფები
კრებულები
ტიპები
ჟანრები
დარგები
გამომცემლობები
ავტორები
მთარგმნელები
გამოცემულია
წლიდან
წლამდე
თარგმნილია
წლიდან
წლამდე
წინა შემდეგი
2221.
ბიოინფორმატიკის საფუძვლები | თავი 9
ყველა შემთხვევაში, კონსენსუსის თანმიმდევრობები ან მატრიცები შედარებით მოკლეა და 6-დან 10 ფუძეს ფარავს.
In either case, the consensus sequences or the matrices are relatively short, covering 6 to 10 bases.
2222.
ბიოინფორმატიკის საფუძვლები | თავი 9
როგორც მეშვიდე თავში აღვწერეთ, იმის დასადგენად, ეთავსება, თუ არა მოთხოვნილი თანმიმდევრობა შეწონვის მატრიცას, ხდება ამ თანმიმდევრობის სკანირება მატრიცას გავლით.
As described in Chapter 7, to determine whether a query sequence matches a weight matrix, the sequence is scanned through the matrix.
2223.
ბიოინფორმატიკის საფუძვლები | თავი 9
ლოგარითმული მოსალოდნელობის მაჩვენებლები შემდეგ სტატისტიკური სარწმუნოობისთვის გამოითვლება.
This simple approach, however, often has difficulty differentiating true promoters from random sequence matches and generates high rates of false positives as a result.
2224.
ბიოინფორმატიკის საფუძვლები | თავი 9
ეს პროგრამა წრფივ დისკრიმინანტულ ფუნქციას იყენებს, რომელიც კომბინირებულია სიგნალისა და შემადგენლობის ინფორმაციასთან, მაგალითად, ინფორმაციასთან კონსენსუსის პრომოტორის თანმიმდევრობასა და პრომოტორის საიტის ოლიგონუკლეოტიდურ შემადგენლობაზე.
It uses a linear discriminant function combined with signal and content information such as consensus promoter sequence and oligonucleotide composition of the promoter sites.
2225.
ბიოინფორმატიკის საფუძვლები | თავი 9
ეს პროგრამა ჯერ პროგნოზირებს მოცემულ თანმიმდევრობაში ბაქტერიული ოპერონის სტრუქტურების არსებობას, რისთვისაც ოპერონში გენების არსებობის დასადგენად, გენებს შორის 100 დაშორებას იყენებს.
This program first predicts a given sequence for bacterial operon structures by using an intergenic distance of 100 as basis for distinguishing genes to be in an operon.
2226.
ბიოინფორმატიკის საფუძვლები | თავი 9
ოპერონების დადგენის შემდეგ პროგრამას შეუძლია პრომოტორის სავარაუდო თანმიმდევრობის პროგნოზი.
Once the operons are assigned, the program is able to predict putative promoter sequences.
2227.
ბიოინფორმატიკის საფუძვლები | თავი 9
ბაქტერიული პრომოტორების უმეტესობა ლოკალიზებულია ცილის მაკოდირებელი რეგიონის 200-ის ფარგლებში, ამიტომ, პროგრამა ყველაზე ეფექტურია, როცა სპეციფიკურობის გაზრდის მიზნით, მასში შეყვანილია ოპერონის პირველი გენის, დინების საწინააღმდეგო თანმიმდევრობის, დაახლოებით 200.
Because most bacterial promoters are located within 200 of the protein coding region, the program is most effectively used when about 200 of upstream sequence of the first gene of an operon is supplied as input to increase specificity.
2228.
ბიოინფორმატიკის საფუძვლები | თავი 9
პროგნოზის სახით ირჩევენ თანმიმდევრობის რეგიონს, რომელსაც თვისებებისა და ენერგიის ერთეულების საუკეთესო მაჩვენებლები ახასიათებს.
The sequence region that scores best in features and energy terms is chosen as the prediction.
2229.
ბიოინფორმატიკის საფუძვლები | თავი 9
ევკარიოტების პრომოტორებისა და რეგულატორული ელემენტების პროგნოზის ab initio მეთოდი ასევე ეყრდნობა შეყვანილი თანმიმდევრობების კვლევას ცნობილი პრომოტორისა და რეგულატორული ელემენტების კონსენსუსის სტრუქტურების თავსებადობაზე.
The ab initio method for predicting eukaryotic promoters and regulatory elements also relies on searching the input sequences for matching of consensus patterns of known promoters and regulatory elements.
2230.
ბიოინფორმატიკის საფუძვლები | თავი 9
კონსენსუსის სტრუქტურები მიღებულია დნმ-ს მიბმის ექსპერიმენტულად განსაზღვრული საიტებიდან, რომლებიც კომპილირებულია პროფილებში და შენახულია ბაზაში უცნობი თანმიმდევრობის სკანირების მიზნით, რაც მსგავსი დაკონსერვებული სტრუქტურების მოსაძებნად ხორციელდება.
The consensus patterns are derived from experimentally determined DNA binding sites which are compiled into profiles and stored in a database for scanning an unknown sequence to find similar conserved patterns.
2231.
ბიოინფორმატიკის საფუძვლები | თავი 9
თუმცა, ეს მიდგომა თანმიმდევრობის მოკლე სტრუქტურებთან არასპეციფიკური თავსებადობის გამო, მცდარი დადებითების მაღალი სიხშირის წარმოქმნის ტენდენციას ამჟღავნებს.
However, this approach tends to generate very high rate of false positives owing to nonspecific matches with the short sequence patterns.
2232.
ბიოინფორმატიკის საფუძვლები | თავი 9
ამის გარდა, ტრანსკრიფციის ფაქტორების მიბმის საიტების მაღალი ცვალებადობის გამო, მარტივი თანმიმდევრობის თავსებადობა ხშირად ნამდვილი პრომოტორების საიტებს ვერ ამჩნევს და მცდარ უარყოფითებს იძლევა.
Furthermore, because of the high variability of transcription factor binding sites, the simple sequence matching often misses true promoter sites, creating false negatives.
2233.
ბიოინფორმატიკის საფუძვლები | თავი 9
ის ინტერნეტპროგრამაა, რომელიც ძუძუმწოვრების გენომურ თანმიმდევრობებში CpG კუნძულების მაღალი სიმჭიდროვის მქონე პრომოტორებს პროგნოზირებს.
It is a web-based program that predicts promoters containing a high density of CpG islands in mammalian genomic sequences.
2234.
ბიოინფორმატიკის საფუძვლები | თავი 9
ძუძუმწოვრებიდან მიღებული გამოსაკვლევი თანმიმდევრობები სკანირდება.
The query sequence from a mammalian source is scanned.
2235.
ბიოინფორმატიკის საფუძვლები | თავი 9
ტრანსკრიფციის სასტარტო საიტებად დეკლარირებულია ყველა მაღალი თავსებადობების მქონე თანმიმდევრობის ჭიმები და ელემენტებს შორის განლაგებული სივრცეების თავსებადობებიც.
The sequence stretches with high-score matching to all, as well as matching of the spacing between the elements, are declared transcription start sites.
2236.
ბიოინფორმატიკის საფუძვლები | თავი 9
მოთხოვნილი თანმიმდევრობა 1 ზომის ფანჯრით სკანირდება, რაც სავარაუდო რეგულატორული მოტივების მოძებნის მიზნით, მოტივების გამოყენებით ხორციელდება.
A query sequence is scanned with a window size of 1 for putative regulatory motifs using motif.
2237.
ბიოინფორმატიკის საფუძვლები | თავი 9
ნეირონული ქსელი შეიცავს თანმიმდევრობის ფიზიკური თვისებების პარამეტრებსაც, მაგ. დნმ-ს დახრილობას, პლუს სიგნალებს, ინიციირების ბოქსსა და კუნძულებს.
The input for the neural network includes parameters for sequence physical properties, such as DNA bendability, plus signals, initiator box, and islands.
2238.
ბიოინფორმატიკის საფუძვლები | თავი 9
პროგრამა დასწავლილია კონკრეტულად მისი და ადამიანის თანმიმდევრობებისთვის გამოსაყენებლად.
The program is currently trained for its and human sequences.
2239.
ბიოინფორმატიკის საფუძვლები | თავი 9
ის ინტერნეტპროგრამაა, რომელიც პრომოტორისა და არაპრომოტორის თანმიმდევრობებს განასხვავებს უნიკალური შემადგენლობის ინფორმაციის კომბინირების საფუძველზე, მაგ. ჰექსამერ/ტრიმერის სიხშირეებისა და სიგნალის ისეთი ინფორმაციის საფუძველზე, როგორიცაა პრომოტორის რეგიონში მდებარე ბოქსი.
It is a web program that distinguishes promoter sequences from non-promoter sequences based on a combination of unique content information such as hexamer/trimer frequencies and signal information such the box in the promoter region.
2240.
ბიოინფორმატიკის საფუძვლები | თავი 9
პროგრამის ამუშავებისთვის მომხმარებელი გენის ტრანსკრიფციის თანმიმდევრობას (კდნმ) უზრუნველყოფს.
To use the program, a user supplies the transcript sequence of a gene (cDNA).
წინა შემდეგი