ზუსტი დამთხვევა
ორიგინალის ენა
ქვეკორპუსები
ჯგუფები
კრებულები
ტიპები
ჟანრები
დარგები
გამომცემლობები
ავტორები
მთარგმნელები
გამოცემულია
წლიდან
წლამდე
თარგმნილია
წლიდან
წლამდე
წინა შემდეგი
2281.
ბიოინფორმატიკის საფუძვლები | თავი 19
მაგალითად, პეპტიდის ანაბეჭდების მოლეკულური მასები, პეპტიდის თანმიმდევრობა, მთლიანი ცილის სახელებიც კი მნიშვნელოვანია კონკრეტული ცილის უნიკალური იდენტიფიკაციის მისაღებად.
For example, molecular masses of peptide fingerprints, peptide sequence, even the species names are important in obtaining unique identification of a particular protein.
2282.
ბიოინფორმატიკის საფუძვლები | თავი 19
მონაცემთა ბაზაში შეთავსებების საშუალებით პეპტიდის იდენტიფიკაციის ძირითადი პირობა, ორგანიზმის ყველა ცილის თანმიმდევრობების მისაწვდომობაა.
A basic requirement for peptide identification through database matching is the availability of all the protein sequences from an organism.
2283.
ბიოინფორმატიკის საფუძვლები | თავი 19
ამიტომ, ეს მეთოდი კარგად მხოლოდ სამოდელო ორგანიზმის შემთხვევაში მუშაობს, რომლის გენომი სრულიად სეკვენირებულია და კარგად ანოტირებული, მაგრამ მისი მუშაობა იზღუდება, თუ მას არასამოდელო ორგანიზმებისთვის გამოვიყენებთ.
Thus, this method only works well with model organisms that have completely sequenced and well-annotated genomes, but has much limitation to be applied in non-model organisms.
2284.
ბიოინფორმატიკის საფუძვლები | თავი 19
ამ პროგრამას კანდიდატების ჩამონათვალის შემცირება პეპტიდების თანმიმდევრობების საშუალებით შეუძლია, ვინაიდან მოკლე თანმიმდევრობების შეთავსებებს მაღალი სპეციფიკურობა ახასიათებს.
This program can narrow down the candidate list by peptide sequences because of the high specificity of short sequence matches.
2285.
ბიოინფორმატიკის საფუძვლები | თავი 19
იგი წარმატებას მრავალი პარამეტრის ძალით აღწევს, რისთვისაც კომბინირებულ შემადგენლობას, თანმიმდევრობის ტეგებსა და პეპტიდის ანაბეჭდების ინფორმაციას იყენებს, რომ მონაცემთა ბაზებში კომბინირებული ძებნები შეასრულოს.
It takes advantage of the strength of multiple parameters by using combined composition, sequence tags, and peptide fingerprinting information to perform combined searches against the databases.
2286.
ბიოინფორმატიკის საფუძვლები | თავი 19
ის ძებნას, ანაბეჭდების ინფორმაციის გამოყენებით, ცილის თანმიმდევრობის მონაცემთა ბაზაში ახორციელებს.
It searches a protein sequence database using fingerprinting information.
2287.
ბიოინფორმატიკის საფუძვლები | თავი 19
ბეიზის ალგორითმი მონაცემთა ბაზაში შეთავსებებს რანჟირებას ახდენს მონაცემთა თანმიმდევრობების მიერ პეპტიდური მასობრივი ანაბეჭდების წარმოქმნის ალბათობის შესაბამისად.
A Bayesian algorithm ranks the database matches according to the probability of database sequences producing the peptide mass fingerprints.
2288.
ბიოინფორმატიკის საფუძვლები | თავი 19
ეს სხვა ვებსერვერია, რომელიც ცილების იდენტიფიცირებას ახდენს პეპტიდების მასობრივ ანაბეჭდებზე, თანმიმდევრობის შეყვანებზე ან ერთი ან მეტი პეპტიდის ნედლ მონაცემებზე დაყრდნობით.
It is another web server that identifies proteins based on peptide mass fingerprints, sequence entries, or raw data from one or more peptides.
2289.
ბიოინფორმატიკის საფუძვლები | თავი 19
ეს იწვევს ბიოინფორმატიკული ინსტრუმენტების გამოყენების მნიშვნელოვნებას, რომლებიც საჭიროა პოსტტრანსლაციური მოდიფიკაციების საიტების პროგნოზისთვის, რაც სპეციფიკური ცილის თანმიმდევრობაზე დაყრდნობით ხორციელდება.
It is therefore important to use bioinformatics tools to predict sites for posttranslational modifications based on specific protein sequences.
2290.
ბიოინფორმატიკის საფუძვლები | თავი 19
თუმცა, ხშირ შემთხვევაში ასეთი მოდიფიკაციების პროგნოზი შეიძლება რთული იყოს, ვინაიდან კონკრეტულ მოდიფიკაციებთან დაკავშირებული თანმიმდევრობის მოტივების სიგრძე მცირეა.
However, prediction of such modifications can often be difficult because the short lengths of the sequence motifs associated with certain modifications.
2291.
ბიოინფორმატიკის საფუძვლები | თავი 19
თითქმის ყველა თანმიმდევრობაში შეიძლება ასეთ მოკლე მოტივს ხშირად წავაწყდეთ.
Such a short motif can be found multiple times in almost every protein sequence.
2292.
ბიოინფორმატიკის საფუძვლები | თავი 19
პროგნოზების უმეტესობა, რომლებიც მხოლოდ თანმიმდევრობის მოტივს ეფუძნება, დიდი ალბათობით მცდარი იქნება და მცდარი დადებითების მაღალ სიხშირეს მოგვცემს.
Most of the predictions based on this sequence motif alone are likely to be wrong, producing very high rates of false-positives.
2293.
ბიოინფორმატიკის საფუძვლები | თავი 19
ამ პროცესში გამოსაკვლევ თანმიმდევრობას მრავალ გადამფარავ ფრაგმენტად ჭრიან, რომლებიც სხვადასხვა ბირთვში (კვანძის მსგავსია) შეჰყავთ.
Inthis process, the query sequence is chopped up into a number of overlapping fragments, which are fed into different kernels (similar to nodes).
2294.
ბიოინფორმატიკის საფუძვლები | თავი 19
ჰიპერსიბრტყე, რომელიც შეიძლება ცნობილი ცილის თანმიმდევრობის მოტივების გამოსაცნობად დამუშავდეს, ბირთვებს სხვადასხვა კლასებში ანაწილებს.
A hyperplane, which has been trained to recognize known protein sequence motifs, separates the kernels into different classes.
2295.
ბიოინფორმატიკის საფუძვლები | თავი 19
ეს პრობლემა შეიძლება ან თანმიმდევრობების მრავლობითი გათანაბრებიდან პროფილების აგების საშუალებით გადავჭრათ ან ნაშთების კონტაქტის პოტენციალის გამოთვლით, რაც თანმიმდევრობის ლოკალურ გარემოს ეფუძნება.
This problem can be tackled by using either profiles constructed from multiple sequence alignment or residue contact potentials calculated based on the local sequence environment.
2296.
ბიოინფორმატიკის საფუძვლები | თავი 19
ეს ვებსერვერია, რომელიც ცისტეინის ნაშთების დისულფიდური ბმების მდგომარეობებს ცილის თანმიმდევრობაში აპროგნოზებს, რასაც პროფილების აგების საშუალებით ახორციელებს.
It is a web server that predicts the disulfide bonding states of cysteine residues in a protein sequence by building profiles based on multiple sequence alignment information.
2297.
ბიოინფორმატიკის საფუძვლები | თავი 19
კონკრეტული პეპტიდის იდენტიფიკაციის ინსტრუმენტებს შეუძლია თანმიმდევრობაში ცნობილი პოსტტრანსლაციური მოდიფიკაციის საიტების ძებნა და მოდიფიკაციის ტიპზე დაყრდნობით, დამატებითი მასის გაერთიანება, რასაც მონაცემთა ბაზაში ფრაგმენტის შეთავსების განმავლობაში ახორციელებს.
Certain peptide identification tools are able to search for known posttranslational modification sites in a sequence and incorporate extra mass based on the type of modifications during database fragment matching.
2298.
ბიოინფორმატიკის საფუძვლები | თავი 19
ორგანელებში ცილის მოხვედრის შემდეგ, იწყება პროტეაზით დაშლის პროცესი, რაც სიგნალის თანმიმდევრობების მოცილებას და მწიფე ცილის შექმნას უზრუნველყოფს (პოსტტრანსლაციური მოდიფიკაციის სხვა მაგალითი).
Once the proteins are translocated within the organelles, protease cleavage takes place to remove the signal sequences and generate mature proteins (another example of posttranslational modification).
2299.
ბიოინფორმატიკის საფუძვლები | თავი 19
სასიგნალო თანმიმდევრობებს სუსტი კონსენსუსი ახასიათებს, მაგრამ ისინი ზოგი სპეციფიკური თვისების მატარებლებია.
The signal sequences have a weak consensus but contain some specific features.
2300.
ბიოინფორმატიკის საფუძვლები | თავი 19
თუმცა, სასიგნალო თანმიმდევრობების სიგრძე და ამინომჟავების თანმიმდევრობა ძალიან ცვალებადია.
However, the length and sequence of the signal sequences vary tremendously.
წინა შემდეგი