ზუსტი დამთხვევა
ორიგინალის ენა
ქვეკორპუსები
ჯგუფები
კრებულები
ტიპები
ჟანრები
დარგები
გამომცემლობები
ავტორები
მთარგმნელები
გამოცემულია
წლიდან
წლამდე
თარგმნილია
წლიდან
წლამდე
წინა შემდეგი
701.
ბიოინფორმატიკის საფუძვლები | თავი 6
თუ შეცდომით მოხდება არამონათესავე თანმიმდევრობების ჩართვა, პროფილი ზუსტი არ იქნება.
If unrelated sequences are erroneously included, profiles become biased.
702.
ბიოინფორმატიკის საფუძვლები | თავი 6
ამ პრობლემის ნაწილობრივი გადაწყვეტა იმაში მდგომარეობს, რომ მომხმარებელს საშუალება უნდა ჰქონდეს ყოველ იტერაციაში შედეგები ვიზუალურად შეამოწმოს და კონკრეტული თანმიმდევრობები გამორიცხოს, რომლებზეც სხვა წყაროებიდან ცნობილია, რომ ისინი არამონათესავეებია.
A partial solution to this problem is to let the user visually inspect results in each iteration and reject certain sequences that are known to be unrelated based on external knowledge.
703.
ბიოინფორმატიკის საფუძვლები | თავი 6
შემდგომში აღმოჩნდა, რომ ეს სტატისტიკური მეთოდი იდეალურად უხდება თანმიმდევრობების გათანაბრების აღწერასაც.
This statistical tool was subsequently found to be ideal for describing sequence alignments.
704.
ბიოინფორმატიკის საფუძვლები | თავი 6
მარკოვის მოდელი, რომელიც ასევე ცნობილია მარკოვის ჯაჭვის სახელით, იმ მოვლენების თანმიმდევრობას აღწერს, რომლებიც ჯაჭვში ერთმანეთის მიმდევრობით ხდება.
A Markov model, also known as Markov chain, describes a sequence of events that occur one after another in a chain.
705.
ბიოინფორმატიკის საფუძვლები | თავი 6
ასოებისგან შემდგარი ჯაჭვის სახით ჩაწერილი ბიოლოგიური თანმიმდევრობები შეიძლება მარკოვის ჯაჭვებითაც აღვწეროთ: მდგომარეობის ამსახველი ყოველი ასო ერთმანეთთან შეერთებულია გადასვლის ალბათობის სიდიდეებით.
Biological sequences written as strings of letters can be described by Markov chains as well; each letter representing a state is linked together with transitional probability values.
706.
ბიოინფორმატიკის საფუძვლები | თავი 6
მარკოვის ჯაჭვის საშუალებით ბიოლოგიური თანმიმდევრობების აღწერა საშუალებას გვაძლევს გამოვთვალოთ მოცემული ნაშთისთვის ალბათობის მნიშვნელობები, ნუკლეოტიდების ან ამინომჟავების უნიკალური განაწილების სიხშირეების შესაბამისად.
The description of biological sequences using Markov chains allows the calculation of probability values for a given residue according to the unique distribution frequencies of nucleotides or amino acids.
707.
ბიოინფორმატიკის საფუძვლები | თავი 6
ეს ტიპურია შემთხვევითი თანმიმდევრობებისთვის, რომლებშიც ყოველი ნაშთი ერთნაირი სიხშირით ჩნდება.
This is typical for a random sequence, in which every residue occurs with an equal frequency.
708.
ბიოინფორმატიკის საფუძვლები | თავი 6
ის ბიოლოგიურ თანმიმდევრობაში ტრიმერის უნიკალურ სიხშირეს შეესაბამება (სამი გადაბმული ნაშთი, რომლებიც თანმიმდევრობაში ერთდროულად ჩნდებიან, როგორც ეს კოდონის შემთხვევაში გვაქვს).
This corresponds to the unique trimer frequencies (three linked residues occurring simultaneously as in the case of a codon) in biological sequences.
709.
ბიოინფორმატიკის საფუძვლები | თავი 6
მაგალითად, ცილის მაკოდირებელ თანმიმდევრობაში უნიკალური ტრიმერების სიხშირე უნდა განსხვავდებოდეს არამაკოდირებელ ან შემთხვევით თანმიმდევრობაში იგივე სიხშირისგან.
For example, in a protein-coding sequence, the frequency of unique trimers should be different from that in a noncoding or random sequence.
710.
ბიოინფორმატიკის საფუძვლები | თავი 6
ამასთან ერთად, ბიოლოგიური თანმიმდევრობების ანალიზისთვის გამოსადეგია მარკოვის უფრო მაღალი რიგითობის მოდელებიც.
In addition, even higher orders of Markov models are available for biological sequence analysis.
711.
ბიოინფორმატიკის საფუძვლები | თავი 6
მარკოვის მოდელის შემთხვევაში წრფივ გათანაბრებაში არსებული ყველა მდგომარეობა პირდაპირ დაკვირვებადია.
In a Markov model, all states in a linear sequence are directly observable.
712.
ბიოინფორმატიკის საფუძვლები | თავი 6
ამინომჟავების შემთხვევაში კი, ოცი სიმბოლო.
For amino acid sequences, there twenty symbols.
713.
ბიოინფორმატიკის საფუძვლები | თავი 6
სწავლების პროცესი მოიცავს მონათესავე თანმიმდევრობების ნაკრებიდან აგებული მრავლობითი გათანაბრების ყოველ სვეტში ნაშთების სიხშირეების გამოთვლას.
The training process involves calculation of the frequencies of residues in each column in the multiple alignment built from a set of related sequences.
714.
ბიოინფორმატიკის საფუძვლები | თავი 6
იმისთვის, რომ ის გეპებიანი მრავლობითი თანმიმდევრობების გათანაბრების აღსაწერად გამოვიყენოთ, ნიშანი გათანაბრებაში შეიძლება სამი მდგომარეობიდან ერთ-ერთში იყოს: შეთავსების (შეუთავსებლობა შეიძლება რაოდენობრივად გამოვსახოთ, როგორც შეთავსებადობის დაბალი ალბათობა), ინსერციის და დელეციის.
To use it to describe gapped multiple sequence alignment, a character in the alignment can be in one of three states, match (a mismatch can be quantitatively expressed as low probability of a match), insertion, and deletion.
715.
ბიოინფორმატიკის საფუძვლები | თავი 6
ყოველი გზა ქმნის უნიკალურ თანმიმდევრობას, რომელიც ალბათობის მნიშვნელობების მქონე ინსერციებსა და დელეციებს შეიცავს.
Each path generates a unique sequence, which includes insertions or deletions, with a probability value.
716.
ბიოინფორმატიკის საფუძვლები | თავი 6
შეიძლება იყოს მხოლოდ ერთი ოპტიმალური გზა, რომელიც ქმნის ყველაზე სავარაუდო თანმიმდევრობას.
There may be only one optimal path that generates the most probable sequence.
717.
ბიოინფორმატიკის საფუძვლები | თავი 6
რომელიც შეყვანილ თანმიმდევრობას უმაღლესი ალბათობით ათავსებს, საჭიროა ნაშთის ყოველი პოზიციის თითოეული მდგომარეობისთვის ალბათობის მნიშვნელობების მატრიცას აგება.
That matches a query sequence with the highest probability, a matrix of probability values for every state at every residue position needs to be constructed.
718.
ბიოინფორმატიკის საფუძვლები | თავი 6
ერთ-ერთი მათგანია ვიტერბის ალგორითმი, რომელიც დინამიკური პროგრამირების მსგავსად მუშაობს, რომელსაც თანმიმდევრობების გათანაბრებისთვის ვიყენებდით.
One such algorithm is the Viterbi algorithm, which works in a similar fashion as in dynamic programming for sequence alignment (see Chapter 3).
719.
ბიოინფორმატიკის საფუძვლები | თავი 6
იმაში დასარწმუნებლად, რომ დასწავლილი ნაკრებიდან მიღებული მოდელი არა მხოლოდ დასწავლილი თანმიმდევრობების ნაკრების წარმომადგენელია, არამედ ოჯახის სხვა წევრებისაც, რომლებისთვისაც აქამდე მოდელი შექმნილი არ იყო, საჭიროა „გათანაბრების“ გარკვეული დონის მიღწევა.
To make sure that the model generated from the training set is representative of not only the training set sequences, but also of other members of the family not yet sampled, some level of “smoothing” is needed.
720.
ბიოინფორმატიკის საფუძვლები | თავი 6
მაგრამ, არ უნდა ავცდეთ იმ ზღვარს, სადაც ის დასწავლილ ნაკრებში დაკვირვებადი თანმიმდევრობის თვისებებს სიზუსტეს ამახინჯებს.
But not to the extent that it distorts the observed sequence patterns in the training set.
წინა შემდეგი