ზუსტი დამთხვევა
ორიგინალის ენა
ქვეკორპუსები
ჯგუფები
კრებულები
ტიპები
ჟანრები
დარგები
გამომცემლობები
ავტორები
მთარგმნელები
გამოცემულია
წლიდან
წლამდე
თარგმნილია
წლიდან
წლამდე
წინა შემდეგი
6181.
ბიოინფორმატიკის საფუძვლები | თავი 8
მარკოვის მოდელებსა და მარკოვის ფარულ მოდელებს შეუძლია კარგი სამსახურის გაწევა გენის ნატიფ სტატისტიკურ აღწერაში.
Markov models and HMMs can be very helpful in providing finer statistical description of a gene.
6182.
ბიოინფორმატიკის საფუძვლები | თავი 8
ეს შეიძლება სხვადასხვა რიგითობის მარკოვის მოდელებით იყოს წარმოდგენილი.
These can be represented with various orders of Markov models.
6183.
ბიოინფორმატიკის საფუძვლები | თავი 8
ამიტომ, რაც უფრო მეტია მარკოვის მოდელის რიგითობა, მით უფრო ზუსტად შეგვიძლია გენის პროგნოზირება.
Therefore, the higher the order of aMarkov model, the more accurately it can predict a gene.
6184.
ბიოინფორმატიკის საფუძვლები | თავი 8
ვინაიდან ცილის მაკოდირებელი გენი კოდონების მსგავსად ნუკლეოტიდების ტრიპლეტებისგან შედგება, ამიტომ, უფრო ეფექტური მარკოვის მოდელები აგებულია სამ ნუკლეოტიდიანი ნაკრებებისგან, რაც ტრიმერების ან ჰექსამერების და ა. შ. არაშემთხვევით განაწილებას აღწერს.
Because a protein-encoding gene is composed of nucleotides in triplets as codons, more effective Markov models are built in sets of three nucleotides, describing nonrandom distributions of trimers or hexamers, and so on.
6185.
ბიოინფორმატიკის საფუძვლები | თავი 8
მარკოვის მოდელებისთვის პარამეტრების სწავლება შეიძლება თანმიმდევრობების ნაკრების გამოყენებით, რომელსაც გენის ცნობილი ლოკალიზაცია ახასიათებს.
The parameters of a Markov model have to be trained using a set of sequences with known gene locations.
6186.
ბიოინფორმატიკის საფუძვლები | თავი 8
მოდელის პარამეტრების დადგენის შემდეგ, ის შეიძლება ახალ თანმიმდევრობაში ტრიმერების ან ჰექსამერების არაშემთხვევითი განაწილების გამოსათვლელად გამოვიყენოთ, რომ გამოსაკვლევ ნაკრებში დავადგინოთ რეგიონები, რომლებიც თავსებადია სტატისტიკურ პროფილებთან.
Once the parameters of the model are established, it can be used to compute the nonrandom distributions of trimers or hexamers in a new sequence to find regions that are compatible with the statistical profiles in the learning set.
6187.
ბიოინფორმატიკის საფუძვლები | თავი 8
მეხუთე რიგითობის მარკოვის ჯაჭვის გამოყენების პოტენციური პრობლემა იმაში მდგომარეობს, რომ მეთოდის ეფექტურობა შეიძლება შეიზღუდოს, თუ იქ ჰექსამერები არასაკმარისია, როგორც ეს მოკლე გენის თანმიმდევრობის შემთხვევაში გვაქვს.
A potential problem of using a fifth-order Markov chain is that if there are not enough hexamers, which happens in short gene sequences, the method’s efficacy may be limited.
6188.
ბიოინფორმატიკის საფუძვლები | თავი 8
ამიტომ, ალგორითმმა რომ გენომის ყველა გენის აღწერა შეძლოს, საჭიროა მარკოვის ერთზე მეტი მოდელის გამოყენება.
This means that, to make the algorithm capable of fully describing all genes in a genome, more than one Markov model is needed.
6189.
ბიოინფორმატიკის საფუძვლები | თავი 8
გენის რეალური პროგნოზირებისას გადამფარავი ჩარჩოები „ინიშნება“, რომ მომხმარებელი გააფრთხილოს შემდგომი შემოწმების აუცილებლობის შესახებ.
In an actual gene prediction, the overlapping frames are “flagged” to alert the user for further inspection.
6190.
ბიოინფორმატიკის საფუძვლები | თავი 8
უფრო მნიშვნელოვანია, რომ ევკარიოტების გენომებს მოზაიკური ორგანიზაცია ახასიათებს, სადაც გენი დაყოფილია ნაწილებად (ეგზონებად), ამ ნაწილებს შორის მოთავსებული არამაკოდირებელი თანმიმდევრობების (ინტრონების) საშუალებით.
Most importantly, eukaryotic genomes are characterized by a mosaic organization in which a gene is split into pieces (called exons) by intervening noncoding sequences (called introns).
6191.
ბიოინფორმატიკის საფუძვლები | თავი 8
რაც საჭიროა მიღებული მატერიის მეტი სირთულის უზრუნველყოფისთვის. იმისათვის, რომ თითო ტრანსკრიპტზე ერთ გენზე მეტი შეიქმნას, შესაძლებელია ზოგი ევკარიოტული გენის ტრანსკრიპტის სხვადასხვა გზით დაყოფა და შეერთება.
To make the matter even more complex, some eukaryotic genes can have their transcripts spliced and joined in different ways to generate more than one transcript per gene.
6192.
ბიოინფორმატიკის საფუძვლები | თავი 8
გენის სპლაისირებული სტრუქტურების, ალტერნატიული სპლაისინგისა და გენების დაბალი სიმჭიდროვის გამო, თავისი სირთულით გენების მოძებნა თივის ზვინში ნემსის პოვნას უტოლდება.
Because of the presence of split gene structures, alternative splicing, and very low gene densities, the difficulty of finding genes in such an environment is likened to finding a needle in a haystack.
6193.
ბიოინფორმატიკის საფუძვლები | თავი 8
პროკარიოტული გენის მოძიებისთვის გამოსადეგი ზოგი სტატისტიკური მოდელი შეიძლება ევკარიოტული სისტემებისთვისაც გამოვიყენოთ.
Some statistical patterns useful for prokaryotic gene finding can be applied to eukaryotic systems as well.
6194.
ბიოინფორმატიკის საფუძვლები | თავი 8
ის გვეხმარება ევკარიოტული გენის ტრანსკრიფციის ინიციირების საიტის იდენტიფიცირებაში.
Which helps to identify the transcription initiation site of a eukaryotic gene.
6195.
ბიოინფორმატიკის საფუძვლები | თავი 8
გენის პროგნოზირების პროგრამები.
Gene Prediction Programs.
6196.
ბიოინფორმატიკის საფუძვლები | თავი 8
გენის პროგნოზის ab initio მეთოდზე დაფუძნებული პროგრამების მიზანია არამაკოდირებელი თანმიმდევრობებიდან ეგზონების გამოყოფა და შემდგომში სწორი რიგითობით მათი ერთმანეთთან შეერთება.
The goal of the ab initio gene prediction programs is to discriminate exons from noncoding sequences and subsequently join the exons together in the correct order.
6197.
ბიოინფორმატიკის საფუძვლები | თავი 8
სიგნალებში შედის გენის სასტარტო და სტოპ საიტები და სავარაუდო სპლაისირების საიტები, როგორიცაა ამოცნობადი კონსენსუსის თანმიმდევრობები.
Signals include gene start and stop sites and putative splice sites, recognizable consensus sequences.
6198.
ბიოინფორმატიკის საფუძვლები | თავი 8
შესაყვანი შრე გენის თანმიმდევრობაა, რომელიც ინტრონების და ეგზონების სიგნალებით ხასიათდება.
The input is the gene sequence with intron and exon signals.
6199.
ბიოინფორმატიკის საფუძვლები | თავი 8
კომპიუტერული დასწავლის პროცესი იწყება იმით, რომ ხდება მოდელის უზრუნველყოფა გენის ცნობილი სტრუქტურის თანმიმდევრობით.
The machine learning process starts by feeding the model with a sequence of known gene structure.
6200.
ბიოინფორმატიკის საფუძვლები | თავი 8
დასწავლის განმავლობაში ინფორმაცია გენის სტრუქტურაზე თვისებების რამდენიმე კლასად იყოფა, როგორიცაა ჰექსამერების სიხშირეები, სპლაისინგის საიტები და შემადგენლობა.
The gene structure information is separated into several classes of features such as hexamer frequencies, splice sites, and composition during training.
წინა შემდეგი