ზუსტი დამთხვევა
ორიგინალის ენა
ქვეკორპუსები
ჯგუფები
კრებულები
ტიპები
ჟანრები
დარგები
გამომცემლობები
ავტორები
მთარგმნელები
გამოცემულია
წლიდან
წლამდე
თარგმნილია
წლიდან
წლამდე
წინა შემდეგი
1001.
ბიოინფორმატიკის საფუძვლები | თავი 15
ამიტომ, ამ მიდგომას სტრუქტურულად მსგავსი ცილების იდენტიფიცირება შეუძლია თანმიმდევრობების მსგავსების დადგენის გარეშეც.
Therefore, this approach can identify structurally similar proteins even without detectable sequence similarity.
1002.
ბიოინფორმატიკის საფუძვლები | თავი 15
წყვილების ენერგიაზე დაფუძნებულ მეთოდში, საუკეთესოდ შეთავსებადი სტრუქტურული ნაკეცის მოსაძებნად, ცილის თანმიმდევრობას სტრუქტურული ნაკეცების მონაცემთა ბაზის დახმარებით იკვლევენ, რასაც ენერგიაზე დაფუძნებული კრიტერიუმის გამოყენებით ახორციელებენ.
In the pairwise energy based method, a protein sequence is searched for in a structural fold database to find the best matching structural fold using energy-based criteria.
1003.
ბიოინფორმატიკის საფუძვლები | თავი 15
დეტალური პროცედურა შედგება გამოსაკვლევი თანმიმდევრობის გათანაბრებისგან, რომელსაც ნაკეცების ბიბლიოთეკის ყოველ ნაკეცთან აწარმოებენ.
The detailed procedure involves aligning the query sequence with each structural fold in a fold library.
1004.
ბიოინფორმატიკის საფუძვლები | თავი 15
გათანაბრება აუცილებლად თანმიმდევრობის პროფილის დონეზე ხორციელდება, დინამიკური პროგრამირების ან ევრისტიკული მიდგომის გამოყენებით.
The alignment is performed essentially at the sequence profile level using dynamic programming or heuristic approaches.
1005.
ბიოინფორმატიკის საფუძვლები | თავი 15
შემდეგი ნაბიჯია სამიზნე თანმიმდევრობისთვის დაუმუშავებელი მოდელის აგება, რაც ხორციელდება შაბლონის სტრუქტურაში გათანაბრებული ნაშთების ჩანაცვლებით, გამოსაკვლევი თანმიმდევრობის შესაბამისი ნაშთებით.
The next step is to build a crude model for the target sequence by replacing aligned residues in the template structure with the corresponding residues in the query.
1006.
ბიოინფორმატიკის საფუძვლები | თავი 15
უცნობი გამოსაკვლევი თანმიმდევრობის სტრუქტურული ნაკეცის პროგნოზის მიზნით, პირველად პროგნოზირებენ გამოსაკვლევი თანმიმდევრობის მეორეულ სტრუქტურას, ხსნარის შექმნის უნარსა და პოლარობას.
To predict the structural fold of an unknown query sequence, the query sequence is first predicted for its secondary structure, solvent accessibility, and polarity.
1007.
ბიოინფორმატიკის საფუძვლები | თავი 15
სრედინგი და ნაკეცის გამოცნობა სტრუქტურულ ჰომოლოგებს ისე ადგენს, რომ თანმიმდევრობების მსგავსებას მთლიანად არ ეყრდნობა, ამიტომ, დაცილებული ევოლუციური ნათესაობის პოვნაში ისინი გაცილებით უფრო მგრძნობიარეა.
Because threading and fold recognition detect structural homologs without completely relying on sequence similarities, they have been shown to be far more sensitive in finding distant evolutionary relationships.
1008.
ბიოინფორმატიკის საფუძვლები | თავი 15
სრედინგი და ნაკეცის გამოცნობა აფასებს ამინომჟავების თანმიმდევრობის თავსებადობას ნაკეცების ბიბლიოთეკის ცნობილ სტრუქტურასთან.
Threading and fold recognition assess the compatibility of an amino acid sequence with a known structure in a fold library.
1009.
ბიოინფორმატიკის საფუძვლები | თავი 15
ჰომოლოგების მოდელირებასთან შედარებით, ამ მეთოდების მეორე სისუსტე იმაში მდგომარეობს, რომ ისინი გამოსაკვლევი თანმიმდევრობის მთლიანად გაწმენდილ ატომურ მოდელებს არ ქმნიან.
Another disadvantage compared to homology modeling lies in the fact that threading and fold recognition do not generate fully refined atomic models for the query sequences.
1010.
ბიოინფორმატიკის საფუძვლები | თავი 15
ამასთან ერთად, ცილის სტრუქტურული სუპეროჯახის ყოველ წევრს აქვს მისი საკუთარი, თანმიმდევრობაზე დაფუძნებული პროფილი.
In addition, each member in a protein structural superfamily has its own sequence-based profile computed.
1011.
ბიოინფორმატიკის საფუძვლები | თავი 15
თანმიმდევრობების ამ პროფილებს იყენებენ დიდი სუპეროჯახის პროფილის ასაგებად, სტრუქტურის პროფილებთან კომბინაციაში, რომელშიც ყოველი პოზიცია ორივეს, თანმიმდევრობისა და სტრუქტურულ ინფორმაციასაც, შეიცავს.
These sequence profiles are used in combination with the structure profile to forma large superfamily profile in which each position contains both sequence and structural information.
1012.
ბიოინფორმატიკის საფუძვლები | თავი 15
ორივეს, თანმიმდევრობის პროფილსა და პროგნოზირებულ მეორეულ სტრუქტურასაც, წინასწარ გამოთვლილ ცილის სუპეროჯახების პროფილებთან ადარებენ, რაც დინამიკური პროგრამის მიდგომის გამოყენებით ხორციელდება.
Both the sequence profile and predicted secondary structure are compared with the precomputed protein superfamily profiles, using a dynamic programming approach.
1013.
ბიოინფორმატიკის საფუძვლები | თავი 15
შეთავსების მაჩვენებლებს ითვლიან მეორეული სტრუქტურის, ხსნადობის ენერგიისა და თანმიმდევრობის პროფილების ერთეულებში და რანგირებენ, რაც უმაღლესი მაჩვენებლების მქონე ფილდის საპოვნელად ხორციელდება.
The matching scores are calculated in terms of secondary structure, solvation energy, and sequence profiles and ranked to find the highest scored structure fold.
1014.
ბიოინფორმატიკის საფუძვლები | თავი 15
შემაჯამებელი თანმიმდევრობების მრავალჯერად მოხვედრებს პროფილის მისაღებად იყენებენ.
The resulting multiple sequence hits are used to generate a profile.
1015.
ბიოინფორმატიკის საფუძვლები | თავი 15
სრედინგის შედეგები ნეირონული ქსელის გამოყენებით ფასდება, რომელიც ენერგეტიკულ პოტენციალებს, თანმიმდევრობების გათანაბრების ქულებსა და სიგრძის ინფორმაციას კომბინირებს, რისი საშუალებითაც ერთ ქულას იღებს, რომელიც გამოსაკვლევ და შაბლონურ ცილებს შორის ნათესაობას ასახავს.
The threading results are evaluated using neural networks that combine energy potentials, sequence alignment scores, and length information to create a single score representing the relationship between the query and template proteins.
1016.
ბიოინფორმატიკის საფუძვლები | თავი 15
გამოსაკვლევ თანმიმდევრობას (ან, თუ მომხმარებელს ურჩევნია, მრავალი თანმიმდევრობის გათანაბრებას) იყენებენ, რომ მონაცემთა ბაზაში სტრუქტურული პროფილების სკანირება შეასრულონ.
The query sequence (or a multiple sequence alignment if the user prefers) is used to scan the database of structural profiles.
1017.
ბიოინფორმატიკის საფუძვლები | თავი 15
გამოსაკვლევ და სტრუქტურულ პროფილებს შორის შედარება გლობალური ან ლოკალური გათანაბრების გამოყენებით ხორციელდება, რაც დამოკიდებულია თანმიმდევრობის ცვალებადობაზე.
The comparison between the query and the structural profiles is done using global alignment or local alignment depending on sequence variability.
1018.
ბიოინფორმატიკის საფუძვლები | თავი 15
სინამდვილეში, საკუთრივ თანმიმდევრობებში არსებობს გარკვეული ინფორმაცია, რომელიც ცილისთვის მისი ბუნებრივი სტრუქტურის პოვნის ინსტრუქციაა.
Obviously, there is some information in the sequences that provides instruction for the proteins to “find” their native structures.
1019.
ბიოინფორმატიკის საფუძვლები | თავი 15
როგორც სახელწოდებიდან გამომდინარეობს, პროგნოზის მეთოდი ყველა ატომის მოდელის შექმნას მხოლოდ თანმიმდევრობის ინფორმაციის საფუძველზე ცდილობს, და ცნობილი ცილების სტრუქტურების ინფორმაციას არ იყენებს.
As the name suggests, the prediction method attempts to produce all-atom protein models based on sequence information alone without the aid of known protein structures.
1020.
ბიოინფორმატიკის საფუძვლები | თავი 15
ეს მეთოდი ჯერ გამოსაკვლევ თანმიმდევრობას მრავალ მცირე სეგმენტებად შლის (სამიდან ცხრა ნაშთამდე) და ამ მცირე სეგმენტების მეორეულ სტრუქტურას პროგნოზირებს, რასაც მარკოვის ფარულ მოდელზე დაფუძნებული პროგრამის გამოყენებით ახორციელებს.
The method first breaks down the query sequence into many very short segments (three to nine residues) and predicts the secondary structure of the small segments using a hidden Markov model–based program.
წინა შემდეგი