ზუსტი დამთხვევა
ორიგინალის ენა
ქვეკორპუსები
ჯგუფები
კრებულები
ტიპები
ჟანრები
დარგები
გამომცემლობები
ავტორები
მთარგმნელები
გამოცემულია
წლიდან
წლამდე
თარგმნილია
წლიდან
წლამდე
წინა შემდეგი
2201.
ბიოინფორმატიკის საფუძვლები | თავი 14
მეორეულ სტრუქტურას ისინი ერთი გამოსაკვლევი თანმიმდევრობის ნაშთების სტატისტიკური გამოთვლების საფუძველზე პროგნოზირებენ.
They predict secondary structures based on statistical calculations of the residues of a single query sequence.
2202.
ბიოინფორმატიკის საფუძვლები | თავი 14
ჰომოლოგიაზე დაფუძნებული მეთოდები არ ეფუძნება ერთი თანმიმდევრობის ნაშთების სტატისტიკას.
The homology-based methods do not rely on statistics of residues of a single sequence.
2203.
ბიოინფორმატიკის საფუძვლები | თავი 14
ამ ტიპის მეთოდი მეორეულ სტრუქტურას ერთი გამოსაკვლევი თანმიმდევრობის საფუძველზე პროგნოზირებს.
This type of method predicts the secondary structure based on a single query sequence.
2204.
ბიოინფორმატიკის საფუძვლები | თავი 14
ჩოუ-ფესმენის მეთოდით შესრულებული პროგნოზი მიმართავს თანმიმდევრობის სკანირებას კონკრეტული ზომის ფანჯრით. სკანირება იმ რეგიონების აღმოსაჩენად ტარდება, სადაც მოსაზღვრე ნაშთების ჭიმებია განლაგებული, რომელთაგან ყოველს საუკეთესო ქულები უნდა ჰქონდეს, რაც საჭიროა პროგნოზის ჩასატარებლად.
Prediction with the Chou–Fasman method works by scanning through a sequence with a certain window size to find regions with a stretch of contiguous residues each having a favored score to make a prediction.
2205.
ბიოინფორმატიკის საფუძვლები | თავი 14
ისინი ერთი თანმიმდევრობის სტატისტიკას ეფუძნება, რომელიც ცილის ცნობილი ფოლდინგის თეორიებთან ბუნდოვნად არის დაკავშირებული.
They are based on single sequence statistics without clear relation to known protein-folding theories.
2206.
ბიოინფორმატიკის საფუძვლები | თავი 14
პროგნოზი დამოკიდებულია თანმიმდევრობის მხოლოდ ლოკალურ ინფორმაციაზე და არ ითვალისწინებს გრძელვადიან კავშირებს.
The predictions solely rely on local sequence information and fail to take into account long range interactions.
2207.
ბიოინფორმატიკის საფუძვლები | თავი 14
ასეთი მეთოდი ახდენს ცალკეული თანმიმდევრობების მეორეული სტრუქტურების პროგნოზის და მრავალი ჰომოლოგიური თანმიმდევრობის გათანაბრების ინფორმაციის კომბინირებას.
This type of method combines the secondary structure prediction of individual sequences and alignment information from multiple homologous sequences.
2208.
ბიოინფორმატიკის საფუძვლები | თავი 14
როცა ყოველი ცალკეული თანმიმდევრობის მეორეულ სტრუქტურას ამის მსგავსი მეთოდის გამოყენებით პროგნოზირებენ, შეიძლება შეცდომებიც და შედეგების ცვალებადობაც მივიღოთ.
When each individual sequence is predicted for secondary structure using a method similar to this method, errors and variations may occur.
2209.
ბიოინფორმატიკის საფუძვლები | თავი 14
ასე რომ, მრავალი თანმიმდევრობის გათანაბრების საშუალებით ვიღებთ ინფორმაციას პოზიციური კონსერვაციის შესახებ.
Therefore, by aligning multiple sequences, information of positional conservation is revealed.
2210.
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.
2211.
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.
2212.
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.
2213.
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.
2214.
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.
2215.
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.
2216.
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.
2217.
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.
2218.
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.
2219.
ბიოინფორმატიკის საფუძვლები | თავი 14
პროფილს თანმიმდევრობების მრავლობითი გათანაბრებიდან გამოყოფენ.
A profile is extracted from the multiple sequence alignment.
2220.
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.
წინა შემდეგი