ზუსტი დამთხვევა
ორიგინალის ენა
ქვეკორპუსები
ჯგუფები
კრებულები
ტიპები
ჟანრები
დარგები
გამომცემლობები
ავტორები
მთარგმნელები
გამოცემულია
წლიდან
წლამდე
თარგმნილია
წლიდან
წლამდე
წინა შემდეგი
6161.
ბიოინფორმატიკის საფუძვლები | თავი 8
გენომის თანმიმდევრობებზე ინფორმაციის სწრაფ დაგროვებასთან ერთად იზრდება გენის სტრუქტურის ზუსტი პროგნოზისთვის გამოთვლითი მეთოდების გამოყენების აუცილებლობაც.
With the rapid accumulation of genomic sequence information, there is a pressing need to use computational approaches to accurately predict gene structure.
6162.
ბიოინფორმატიკის საფუძვლები | თავი 8
გამოთვლითი მეთოდების საშუალებით გენის პროგნოზირება გენისა და გენომის ფუნქციებზე დეტალური ანოტაციის შედგენის წინაპირობაა.
Computational gene prediction is a prerequisite for detailed functional annotation of genes and genomes.
6163.
ბიოინფორმატიკის საფუძვლები | თავი 8
ამ სამუშაოს საბოლოო მიზანია ყველა გენის აღწერა დაახლოებით 100%-იანი სიზუსტით, რაც გამოთვლითი მეთოდების საშუალებით ხორციელდება.
The ultimate goal is to describe all the genes computationally with near 100% accuracy.
6164.
ბიოინფორმატიკის საფუძვლები | თავი 8
თუმცა, ეს მიზანი დღემდე შორეული მომავლის ამოცანად რჩება, განსაკუთრებით ევკარიოტების შემთხვევაში, ვინაიდან გენის გამოთვლით პროგნოზირებასთან დაკავშირებული მრავალი პრობლემა დღემდე გადაუწყვეტელია.
However, this may still be a distant goal, particularly for eukaryotes, because many problems in computational gene prediction are still largely unsolved.
6165.
ბიოინფორმატიკის საფუძვლები | თავი 8
სინამდვილეში, გენომური სტრუქტურების ამოცნობის დარგში, გენის პროგნოზირება ერთ-ერთი ყველაზე რთული პრობლემაა.
Gene prediction, in fact, represents one of the most difficult problems in the field of pattern recognition.
6166.
ბიოინფორმატიკის საფუძვლები | თავი 8
გენის პროგნოზირების არსებული მეთოდები შეიძლება ორ მთავარ კატეგორიად დავაჯგუფოთ: ab initio მეთოდზე დაფუძნებულ და ჰომოლოგიურობაზე დაფუძნებულ მიდგომებად.
The current gene prediction methods can be classified into two major categories, ab initio–based and homology-based approaches.
6167.
ბიოინფორმატიკის საფუძვლები | თავი 8
პირველია, გენის სიგნალების არსებობა. აქ შედის სასტარტო და სტოპ-კოდონები, ინტრონების სპლაისინგის სიგნალები, ტრანსკრიფციის ფაქტორის მიბმის საიტები, რიბოსომების მიბმის საიტები და პოლიადენინირების საიტები.
The first is the existence of gene signals, which include start and stop codons, intron splice signals, transcription factor binding sites, ribosomal binding sites, and polyadenylation sites.
6168.
ბიოინფორმატიკის საფუძვლები | თავი 8
ამასთან ერთად, კოდონის ტრიპლეტური სტრუქტურა მაკოდირებელი ჩარჩოს სიგრძეს სამის ჯერადამდე ზღუდავს, რაც გენის პროგნოზირებისთვის შეიძლება პირობის სახით გამოვიყენოთ.
In addition, the triplet codon structure limits the coding frame length to multiples of three, which can be used as a condition for gene prediction.
6169.
ბიოინფორმატიკის საფუძვლები | თავი 8
მეორე თვისება, რომელსაც ab initio ალგორითმი იყენებს, გენის შემადგენლობაა, რაც მაკოდირებელი რეგიონების სტატისტიკურ აღწერას წარმოადგენს.
The second feature used by ab initio algorithms is gene content, which is statistical description of coding regions.
6170.
ბიოინფორმატიკის საფუძვლები | თავი 8
დადგენილია, რომ მაკოდირებელი რეგიონების ნუკლეოტიდების შემადგენლობა და სტატისტიკური სტრუქტურები ამჟღავნებს მნიშვნელოვანი განსხვავებისკენ ტენდენციას, არამაკოდირებელი რეგიონების იგივე თვისებებისგან.
It has been observed that nucleotide composition and statistical patterns of the coding regions tend to vary significantly from those of the noncoding regions.
6171.
ბიოინფორმატიკის საფუძვლები | თავი 8
ზოგი ალგორითმი გენის მოძებნის ორივე სტრატეგიას მიმართავს.
Some algorithms make use of both gene-finding strategies.
6172.
ბიოინფორმატიკის საფუძვლები | თავი 8
ყოველი პროკარიოტული გენომი ამოკითხვის ღია ჩარჩოს ერთი უწყვეტი ჭიმისგან შედგება, რომელიც ერთ ცილას ან რნმ-ს აკოდირებს და რომელსაც გენის ფარგლებში წყვეტა არა აქვს.
Each prokaryotic gene is composed of a single contiguous stretch of ORF coding for a single protein or RNA with no interruptions within a gene.
6173.
ბიოინფორმატიკის საფუძვლები | თავი 8
ბაქტერიული გენის სტრუქტურის უფრო დეტალური ცოდნა გენის პროგნოზირებისთვის ძალიან მნიშვნელოვანია.
More detailed knowledge of the bacterial gene structure can be very useful in gene prediction.
6174.
ბიოინფორმატიკის საფუძვლები | თავი 8
პროკარიოტების მრავალი გენი ერთად, ერთი ოპერონის სახით გადაიწერება.
Many prokaryotic genes are transcribed together as one operon.
6175.
ბიოინფორმატიკის საფუძვლები | თავი 8
ტერმინატორი საიტის იდენტიფიკაცია, რომელიც პრომოტორის საიტის იდენტიფიკაციასთან ერთად ხორციელდება, ზოგჯერ გენის პროგნოზირებაში გვეხმარება.
Identification of the terminator site, in conjunction with promoter site identification, can sometimes help in gene prediction.
6176.
ბიოინფორმატიკის საფუძვლები | თავი 8
სტოპ-კოდონი არამაკოდირებელი რეგიონის ყოველ ოც კოდონში შემთხვევით ჩნდება, ამიტომ გენის მაკოდირებელ რეგიონს უფრო გრძელი ჩარჩო შეესაბამება, ვიდრე სტოპ-კოდონებით წარმოქმნილი ინტერვალების არმქონე ოცდაათი კოდონის სიგრძის ჩარჩო.
Because a stop codon occurs in about every twenty codons by chance in a noncoding region, a frame longer than thirty codons without interruption by stop codons is suggestive of a gene coding region.
6177.
ბიოინფორმატიკის საფუძვლები | თავი 8
ამ ძებნის შედეგად დადგენილი ჰომოლოგები ალბათ ცილის მაკოდირებელი ჩარჩოს ყველაზე ძლიერი ინდიკატორია.
Detection of homologs from this search is probably the strongest indicator of a protein-coding frame.
6178.
ბიოინფორმატიკის საფუძვლები | თავი 8
გენის პროგნოზის ალგორითმის დამუშავების ადრეულ სტადიებზე გენები ნუკლეოტიდების განაწილების არაშემთხვევითობის შემოწმებით პროგნოზირდება.
In the early stages of development of gene prediction algorithms, genes were predicted by examining the nonrandomness of nucleotide distribution.
6179.
ბიოინფორმატიკის საფუძვლები | თავი 8
სინამდვილეში გენი ექვსი ჩარჩოდან შეიძლება ნებისმიერში იყოს, ამიტომ სტატისტიკური გამოსახულება ყველა შესაძლო ჩარჩოსთვის გამოითვლება.
In practice, because genes can be in any of the six frames, the statistical patterns are computed for all possible frames.
6180.
ბიოინფორმატიკის საფუძვლები | თავი 8
გენის პროგნოზირება მარკოვის მოდელებისა და მარკოვის ფარული მოდელების გამოყენებით.
Gene Prediction Using Markov Models and Hidden Markov Models.
წინა შემდეგი