ზუსტი დამთხვევა
ორიგინალის ენა
ქვეკორპუსები
ჯგუფები
კრებულები
ტიპები
ჟანრები
დარგები
გამომცემლობები
ავტორები
მთარგმნელები
გამოცემულია
წლიდან
წლამდე
თარგმნილია
წლიდან
წლამდე
წინა შემდეგი
601.
ბიოინფორმატიკის საფუძვლები | თავი 5
მაგალითად, სამი თანმიმდევრობისთვის საჭიროა სამგანზომილებიანი მატრიცა გათანაბრების ყველა შესაძლო მაჩვენებლის დასათვლელად.
For instance, for three sequences, a three-dimensional matrix is required to account for all possible alignment scores.
602.
ბიოინფორმატიკის საფუძვლები | თავი 5
თანმიმდევრობის გათანაბრებისთვის საჭიროა გათანაბრების ქულებით განზომილებიანი მატრიცას შევსება.
For aligning sequences, an dimensional matrix is needed to be filled with alignment scores.
603.
ბიოინფორმატიკის საფუძვლები | თავი 5
ჩვენ ვთქვით, რომ თანმიმდევრობების რაოდენობის ზრდასთან ერთად, ექსპონენციურად იზრდება გამოთვლების დრო და კომპიუტერის მიერ გამოყენებული მეხსიერების მოცულობა, ამიტომ, ამ მეთოდით შეუძლებელი ხდება მონაცემების დიდი რაოდენობის კომპიუტერული გამოთვლა.
As the amount of computational time and memory space required increases exponentially with the number of sequences, it makes the method computationally prohibitive to use for a large data set.
604.
ბიოინფორმატიკის საფუძვლები | თავი 5
აქედან გამომდინარე, დინამიკურ პროგრამირებას მონაცემების რაოდენობა ზღუდავს (არ შეგვიძლია ათ მოკლე თანმიმდევრობაზე მეტის გამოყენება).
For this reason, full dynamic programming is limited to small datasets of less than ten short sequences.
605.
ბიოინფორმატიკის საფუძვლები | თავი 5
ის ყველა თანმიმდევრობას უფრო მცირე სექციებად ყოფს.
It works by breaking each of the sequences into two smaller sections.
606.
ბიოინფორმატიკის საფუძვლები | თავი 5
დაყოფის წერტილები დგინდება თანმიმდევრობების რეგიონულ მსგავსებაზე დაყრდნობით.
The breaking points are determined based on regional similarity of the sequences.
607.
ბიოინფორმატიკის საფუძვლები | თავი 5
როცა თანმიმდევრობების სიგრძე წინასწარ განსაზღვრულ ზღვარს აღწევს, ქვეთანმიმდევრობების ყოველი ნაკრების გათანაბრებისთვის დინამიკურ პროგრამირებას იყენებენ.
When the lengths of the sequences reach a predefined threshold, dynamic programming is applied for aligning each set of subsequences.
608.
ბიოინფორმატიკის საფუძვლები | თავი 5
მიღებულ მოკლე გათანაბრებებს ერთმანეთთან თავით კუდთან აერთიანებენ, რომ ყველა თანმიმდევრობის სრული სიგრძის მრავლობითი გათანაბრება მიიღონ.
The resulting short alignments are joined together head to tail to yield a multiple alignment of the entire length of all sequences.
609.
ბიოინფორმატიკის საფუძვლები | თავი 5
დაჭრის ოპტიმალური წერტილების შესარჩევად ეს ალგორითმი მეტი ევრისტიკული პროცედურის გამოყენების ოფციონს იძლევა, ამიტომ მას მეტი თანმიმდევრობის უფრო სწრაფი დამუშავება შეუძლია.
This algorithm provides an option of using a more heuristic procedure (fastDCA) to choose optimal cutting points so it can more rapidly handle a greater number of sequences.
610.
ბიოინფორმატიკის საფუძვლები | თავი 5
ის ახორციელებს გლობალურ გათანაბრებას და ითხოვს, რომ შეყვანილი თანმიმდევრობები ერთი სიგრძისა და დომენების მსგავსი აგებულების იყოს.
It performs global alignment and requires the input sequences to be of similar lengths and domain structures.
611.
ბიოინფორმატიკის საფუძვლები | თავი 5
ეს პროგრამა, მიუხედავად ევრისტიკის გამოყენებისა, მოითხოვს კომპიუტერის ინტენსიურ გამოყენებას.
Despite the use of heuristics, the program is still extremely computationally intensive and can handle only datasets of a very limited number of sequences.
612.
ბიოინფორმატიკის საფუძვლები | თავი 5
ამის გამო, მას მხოლოდ შეზღუდული რაოდენობის თანმიმდევრობების მონაცემთა დამუშავება შეუძლია.
Because the use of dynamic programming is not feasible for routine multiple sequence alignment, faster and heuristic algorithms have been developed.
613.
ბიოინფორმატიკის საფუძვლები | თავი 5
ის მრავალი თანმიმდევრობის გათანაბრებას აჩქარებს მრავალეტაპიანი პროცესის საშუალებით.
It speeds up the alignment of multiple sequences through a multistep process.
614.
ბიოინფორმატიკის საფუძვლები | თავი 5
თავიდან ნიდელმან-ვუნშის გლობალური გათანაბრების მეთოდის გამოყენებით ხორციელდება დაწყვილებული გათანაბრება თანმიმდევრობათა ყველა შესაძლო წყვილისთვის და ჩაიწერება მათი შედარებით მიღებული მსგავსების მაჩვენებლები.
It first conducts pairwise alignments for each possible pair of sequences using the Needleman–Wunsch global alignment method and records these similarity scores from the pairwise comparisons.
615.
ბიოინფორმატიკის საფუძვლები | თავი 5
ორივე მაჩვენებელი კორელირებს თანმიმდევრობებს შორის არსებულ ევოლუციურ მანძილებთან.
Both scores correlate with the evolutionary distances between sequences.
616.
ბიოინფორმატიკის საფუძვლები | თავი 5
ამის შემდეგ მაჩვენებლებს ევოლუციურ მანძილებში გადაიყვანენ, რომ შექმნან მანძილების მატრიცა ყველა მონაწილე თანმიმდევრობისთვის.
The scores are then converted into evolutionary distances to generate a distance matrix for all the sequences involved.
617.
ბიოინფორმატიკის საფუძვლები | თავი 5
შემდეგ კი ატარებენ მანძილების მატრიცაზე დაფუძნებულ მარტივ ფილოგენეზურ ანალიზს, რაც წყვილების მანძილების მაჩვენებლების საფუძველზე სრულდება.
A simple phylogenetic analysis is then performed based on the distance matrix to group sequences based on pairwise distance scores.
618.
ბიოინფორმატიკის საფუძვლები | თავი 5
აგებული ხე ასახავს ყველა თანმიმდევრობას შორის ევოლუციურ სიახლოვეს.
The tree reflects evolutionary proximity among all the sequences.
619.
ბიოინფორმატიკის საფუძვლები | თავი 5
მიუხედავად ამისა, ამ ხეს, თანმიმდევრობების ხელმეორე და უფრო ზუსტი გათანაბრების ჩატარებისას, სამოდელო ნიმუშად იყენებენ.
Nonetheless, the tree can be used as a guide for directing realignment of the sequences.
620.
ბიოინფორმატიკის საფუძვლები | თავი 5
ამ ხის შესაბამისად, ჯერ ორ ყველაზე ახლო ნათესაურ თანმიმდევრობას, ნიდელმან-ვუნშის ალგორითმის მიხედვით, ხელმეორედ ათანაბრებენ.
According to the guide tree, the two most closely related sequences are first re-aligned using theNeedleman–Wunsch algorithm.
წინა შემდეგი