ზუსტი დამთხვევა
ორიგინალის ენა
ქვეკორპუსები
ჯგუფები
კრებულები
ტიპები
ჟანრები
დარგები
გამომცემლობები
ავტორები
მთარგმნელები
გამოცემულია
წლიდან
წლამდე
თარგმნილია
წლიდან
წლამდე
წინა შემდეგი
941.
ბიოინფორმატიკის საფუძვლები | თავი 14
გათანაბრების ერთსა და იმავე პოზიციაზე მყოფ ნაშთებს იგივე მეორეული სტრუქტურა აქვთ, ამიტომ, ცალკეული თანმიმდევრობების პროგნოზში არსებული ნებისმიერი შეუთავსებლობა, ან შეცდომა, შეიძლება უმრავლესობის წესის გამოყენებით შესწორდეს.
Because residues in the same aligned position are assumed to have the same secondary structure, any inconsistencies or errors in prediction of individual sequence scan be corrected using a majority rule.
942.
ბიოინფორმატიკის საფუძვლები | თავი 14
მესამე თაობის პროგნოზირების ალგორითმები მრავალი თანმიმდევრობის გათანაბრებებში ჩანაცვლებების სტრუქტურების გასაანალიზებლად რთულ ნეირონულ ქსელებსაც ინტენსიურად იყენებენ.
The third-generation prediction algorithms also extensively apply sophisticated neural networks to analyze substitution patterns in multiple sequence alignments.
943.
ბიოინფორმატიკის საფუძვლები | თავი 14
მეორეული სტრუქტურის პროგნოზის განხორციელებისას პროგრამაში შეგვყავს ამინომჟავას თანმიმდევრობა და პასუხად ვიღებთ კონკრეტულ სტრუქტურაში ნაშთების მდებარეობის ალბათობას.
In secondary structure prediction, the input is an amino acid sequence and the output is the probability of a residue to adopt a particular structure.
944.
ბიოინფორმატიკის საფუძვლები | თავი 14
ნეირონული ქსელი ჯერ ცნობილი სტრუქტურის მქონე თანმიმდევრობებით ისე უნდა დამუშავდეს, რომ ამინომჟავების სტრუქტურებისა და ცნობილ სტრუქტურებთან მათი ნათესაური კავშირების ამოცნობა შეძლოს.
The neural network has to be first trained by sequences with known structures so it can recognize the amino acid patterns and their relationships with known structures.
945.
ბიოინფორმატიკის საფუძვლები | თავი 14
თუ საკმარისად დასწავლილი ქსელი უცნობ თანმიმდევრობას ამუშავებს, ის სტრუქტურის კონკრეტული თვისებების გამოსაცნობად დასწავლის პროცესში ათვისებულ წესებს იყენებს.
When the sufficiently trained network processes an unknown sequence, it applies the rules learned in training to recognize particular structural patterns.
946.
ბიოინფორმატიკის საფუძვლები | თავი 14
მრავალი თანმიმდევრობის გათანაბრებებისა და ნეირონული ქსელების კომბინირების შემთხვევაში, პროგნოზის სიზუსტე კიდევ უფრო იზრდება.
When multiple sequence alignments and neural networks are combined, the result is further improved accuracy.
947.
ბიოინფორმატიკის საფუძვლები | თავი 14
ამ შემთხვევაში, ნეირონული ქსელი დასწავლილია არა ცალკეული თანმიმდევრობით, არამედ თანმიმდევრობის პროფილით, რომელიც მიღებულია მრავალი თანმიმდევრობის გათანაბრებით.
In this situation, a neural network is trained not by a single sequence but by a sequence profile derived from the multiple sequence alignment.
948.
ბიოინფორმატიკის საფუძვლები | თავი 14
პროფილების ქსელი ჰაიდელბერგიდან ინტერნეტპროგრამაა, რომელიც ნეირონულ ქსელს მრავალი თანმიმდევრობის გათანაბრებასთან კომბინირებს.
Profile network from Heidelberg is a web-based program that combines neural network with multiple sequence alignment.
949.
ბიოინფორმატიკის საფუძვლები | თავი 14
პირველი ფარული შრე მრავალი თანმიმდევრობის გათანაბრების საფუძველზე ნედლ პროგნოზს იძლევა, რასაც ცამეტი პოზიციის მქონე ფანჯრის მოძრაობის საშუალებით ახორციელებს.
The first hidden layer makes raw prediction based on the multiple sequence alignment by sliding a window of thirteen positions.
950.
ბიოინფორმატიკის საფუძვლები | თავი 14
პროფილს თანმიმდევრობების მრავლობითი გათანაბრებიდან გამოყოფენ.
A profile is extracted from the multiple sequence alignment.
951.
ბიოინფორმატიკის საფუძვლები | თავი 14
მეორეული სტრუქტურის ელემენტების პროგნოზისას, ქსელი შეყვანის სახით თანმიმდევრობის პროფილს იყენებს და ნაშთების კორელაციას ქსელის იტერაციული გადამუშავებით პოულობს.
In predicting secondary structure elements, the network uses the sequence profile as input and finds residue correlations by iteratively recycling the network.
952.
ბიოინფორმატიკის საფუძვლები | თავი 14
ის გამოსაკვლევ თანმიმდევრობას ჯერ მრავალ, ძალიან მოკლე სეგმენტებად შლის და პროფილებს აშენებს, რასაც სტრუქტურების ცნობილი მოტივების ბიბლიოთეკაზე დაყრდნობით ახორციელებს.
It first breaks down the query sequence into many very short segments and builds profiles based on a library of known structure motifs.
953.
ბიოინფორმატიკის საფუძვლები | თავი 14
ეს ხორციელდება მრავლობითი გათანაბრების საფუძველზე, მეორეული სტრუქტურის პერიოდული ლოკალური თვისებების უკეთესი დაფიქსირების მიზნით.
This is intended to better capture the recurrent local features of secondary structure based on multiple sequence alignment.
954.
ბიოინფორმატიკის საფუძვლები | თავი 14
გამოსაკვლევ თანმიმდევრობას ჯერ მონაცემთა ბაზაში სამი იტერაციის ძებნისთვის იყენებენ, რომლებიც ამის საშუალებით ტარდება.
The query sequence is first used to search databases with this for three iterations.
955.
ბიოინფორმატიკის საფუძვლები | თავი 14
თანმიმდევრობის ჭარბ მოხვედრებს თავიდან იცილებენ.
Redundant sequence hits are removed.
956.
ბიოინფორმატიკის საფუძვლები | თავი 14
მიღებული თანმიმდევრობის ჰომოლოგებს მრავლობითი გათანაბრების ჩასატარებლად იყენებენ, რომლისგანაც შემდეგ პროფილის ექსტრაქციას ახდენენ.
The resulting sequence homologs are used to build a multiple alignment from which a profile is extracted.
957.
ბიოინფორმატიკის საფუძვლები | თავი 14
გამოსაკვლევი თანმიმდევრობის სკანირებისას მოცემულია α-სპირალური დომენის არსებობის ალბათობა.
When a query sequence is scanned, the probability of having an α-helical domain is given.
958.
ბიოინფორმატიკის საფუძვლები | თავი 14
თანმიმდევრობის დანარჩენი ნაწილის პროგნოზი ხორციელდება მას შემდეგ, რაც მოხდება მცდარი სიგნალის მომცემი პეპტიდების გამოსაკვლევი თანმიმდევრობის გამოყოფა თანმიმდევრობის სხვა ნაწილებისგან.
After distinguishing the putative signal peptides from the rest of the query sequence, prediction is made on the remainder of the sequence.
959.
ბიოინფორმატიკის საფუძვლები | თავი 14
პროგნოზირების ნორმალურ მეთოდთან ერთად, მომხმარებელს, გარეშე წყაროდან მიღებული ცოდნის საფუძველზე, შეუძლია თანმიმდევრობის კონკრეტული რეგიონები როგორც სასიგნალო პეპტიდები ან სხვა არამემბრანული თანმიმდევრობები განსაზღვროს.
In addition to the normal prediction mode, the user can also define certain sequence regions as signal peptides or other nonmembrane sequences based on external knowledge.
960.
ბიოინფორმატიკის საფუძვლები | თავი 14
მრავალი ჰომოლოგიური თანმიმდევრობების პროგნოზი კონსენსუსის პროგნოზის მიღებაში გვეხმარება.
Prediction for the multiple homologous sequences help to derive a consensus prediction.
წინა შემდეგი