ზუსტი დამთხვევა
ორიგინალის ენა
ქვეკორპუსები
ჯგუფები
კრებულები
ტიპები
ჟანრები
დარგები
გამომცემლობები
ავტორები
მთარგმნელები
გამოცემულია
წლიდან
წლამდე
თარგმნილია
წლიდან
წლამდე
წინა შემდეგი
681.
ბიოინფორმატიკის საფუძვლები | თავი 6
აგებული მატრიცა შეიძლება მონათესავე ნაშთების მთელი ჯგუფის გაწმენდილ ასახვად მივიჩნიოთ, რომელიც მრავლობითი გათანაბრების ყოველი პოზიციისთვის თანმიმდევრობის დაკონსერვების ხარისხის რაოდენობრივ აღწერას იძლევა.
This constructed matrix can be considered a distilled representation for the entire group of related sequences, providing a quantitative description of the degree of sequence conservation at each position of a multiple alignment.
682.
ბიოინფორმატიკის საფუძვლები | თავი 6
ალბათური მოდელი შემდეგ შეიძლება ცალკე გამოვიყენოთ მონაცემთა ბაზაში ძებნისა და გათანაბრებისთვის. ანდა მისი დახმარებით შეიძლება დავადგინოთ, რამდენად კარგად ერგება კონკრეტული სამიზნე თანმიმდევრობა თანმიმდევრობების ჯგუფს.
The probabilistic model can then be used like a single sequence for database searching and alignment or can be used to test how well a particular target sequence fits into the sequence group.
683.
ბიოინფორმატიკის საფუძვლები | თავი 6
მაგალითად, 6.1 სურათზე გამოსახული მატრიცას შემთხვევაში, რომელიც აგებულია დნმ-ს მრავლობითი გათანაბრების შედეგად, შეიძლება დაიბადოს კითხვა: რამდენად კარგად ერგება ამ მატრიცას ახალი თანმიმდევრობა?
For example, given the matrix shown in Figure6.1, which is derived from a DNA multiple alignment, one can ask the question, how well does the new sequence fit into the matrix?
684.
ბიოინფორმატიკის საფუძვლები | თავი 6
ამ კითხვაზე საპასუხოდ, უნდა შეჯამდეს მატრიცას შესაბამის პოზიციებზე მყოფი თანმიმდევრობების ალბათობების მნიშვნელობები, რომ მაჩვენებლების ჯამი მივიღოთ.
To answer the question, the probability values of the sequence at respective positions of the matrix can be added up to produce the sum of the scores.
685.
ბიოინფორმატიკის საფუძვლები | თავი 6
ამ შემთხვევაში ამ თანმიმდევრობისთვის შეთავსების ჯამური მაჩვენებელი 6.33-ია.
In this case, the total match score for the sequence is 6.33.
686.
ბიოინფორმატიკის საფუძვლები | თავი 6
ვინაიდან მატრიცას მნიშვნელობები გალოგარითმებულია 2-ის ფუძით, ამიტომ თანმიმდევრობის მატრიცაში ეს მაჩვენებელი შეიძლება შესაბამისობის 26.33 ალბათობად მივიღოთ. ანუ მისი სარწმუნოობა 80-ჯერ უფრო მეტია, ვიდრე იმისა, რომ ეს შემთხვევითი მოვლენა იქნება.
Because the matrix values have been taken to the logarithm to the base of 2, the score can be interpreted as the probability of the sequence fitting the matrix as 26.33, or 80 times more likely than by random chance.
687.
ბიოინფორმატიკის საფუძვლები | თავი 6
ამიტომ, ახალი თანმიმდევრობა შეიძლება თანმიმდევრობების ოჯახის წევრად მივიღოთ.
Consequently, the new sequence can be confidently classified as a member of the sequence family.
688.
ბიოინფორმატიკის საფუძვლები | თავი 6
მასში ალბათობის მნიშვნელობები დამოკიდებულია მატრიცას შესავსებად გამოყენებული თანმიმდევრობების რაოდენობაზე.
The probability values in it depend on the number of sequences used to compile the matrix.
689.
ბიოინფორმატიკის საფუძვლები | თავი 6
შეწონვის ასეთი სქემის გამოყენების შედეგად მატრიცა ნაკლებად ზუსტია და უფრო შორეულად მონათესავე თანმიმდევრობების დაფიქსირებაც შეუძლია.
Application of such a weighting scheme makes the matrix less biased and able to detect more distantly related sequences.
690.
ბიოინფორმატიკის საფუძვლები | თავი 6
თანმიმდევრობის რეალური მრავლობითი გათანაბრებები ხშირად შეიცავს განსხვავებული სიგრძის გეპებს.
Actual multiple sequence alignments often contain gaps of varying lengths.
691.
ბიოინფორმატიკის საფუძვლები | თავი 6
ისევე, როგორც თანმიმდევრობების გათანაბრებისას, პროფილის მატრიცაშიც გეპ-პენალტის მაჩვენებლები ხშირად თვითნებურად დგინდება.
As in sequence alignment, gap penalty scores in a profile matrix are often arbitrarily set.
692.
ბიოინფორმატიკის საფუძვლები | თავი 6
ამიტომ შეყვანილ თანმიმდევრობასა და პროფილს შორის ოპტიმალური გათანაბრების მისაღწევად შესამოწმებელია გეპ პარამეტრების რიგი.
Thus, to achieve an optimal alignment between a query sequence and a profile, a series of gap parameters have to be tested.
693.
ბიოინფორმატიკის საფუძვლები | თავი 6
მონაცემთა ბაზაში ძებნისას პროფილები შეიძლება დაცილებული თანმიმდევრობების ჰომოლოგების მოსაძებნად გამოვიყენოთ.
Profiles can be used in database searching to find remote sequence homologs.
694.
ბიოინფორმატიკის საფუძვლები | თავი 6
თუმცა, მრავლობითი გათანაბრებიდან პროფილის მანუალურად აგება და დიდ მონაცემთა ბაზაში თანმიმდევრობის შეთავსებადობის მაჩვენებლების დათვლა საკმაოდ დამღლელია და მნიშვნელოვან გამოცდილებას მოითხოვს.
However, to manually construct a profile from a multiple alignment and calculate scores for matching sequences from a large database is tedious and involves significant expertise.
695.
ბიოინფორმატიკის საფუძვლები | თავი 6
სასურველია გვქონდეს პროფილების შექმნის პროგრამები, რომლებსაც თანმიმდევრობების მონაცემთა ბაზაში ძებნისას ავტომატურად გამოვიყენებთ.
It is desirable to have a program to establish profiles and use them to search against sequence databases in an automated way.
696.
ბიოინფორმატიკის საფუძვლები | თავი 6
ის ჯერ ცილის ერთ გამოსაკვლევ თანმიმდევრობას იყენებს, რისი საშუალებით ნორმალურ ძებნას ახორციელებს, რომ საწყისი მსგავსების მოხვედრები შექმნას.
It first uses a single query protein sequence to perform a normal search to generate initial similarity hits.
697.
ბიოინფორმატიკის საფუძვლები | თავი 6
მაღალი შეფასების მქონე მოხვედრებს ის თანმიმდევრობების მრავლობითი გათანაბრების ასაგებად იყენებს, საიდანაც შემდეგ პროფილს ქმნის.
The high-scoring hits are used to build a multiple sequence alignment, from which a profile is created.
698.
ბიოინფორმატიკის საფუძვლები | თავი 6
ახალი თანმიმდევრობების მოხვედრების დადგენის შემდეგ, ახალი პროფილის შესაქმნელად, ახდენენ მათ კომბინირებას წინა მრავლობით გათანაბრებასთან. შექმნილ ახალ პროფილს, თავის მხრივ, მონაცემთა ბაზაში ძებნის თანმიმდევრულ ციკლებში იყენებენ.
When new sequence hits are identified, they are combined with the previous multiple alignment to generate a new profile, which is in turn used in subsequent cycles of database searching.
699.
ბიოინფორმატიკის საფუძვლები | თავი 6
პროცესს მანამდე იმეორებენ, სანამ ახალი თანმიმდევრობის სხვა მოხვედრების (ჰიტების) პოვნა არ შეწყდება.
The process is repeated until no new sequence hits are found.
700.
ბიოინფორმატიკის საფუძვლები | თავი 6
პროფილის პარამეტრების ოპტიმიზაციის გამო ძებნის ძალიან მგრძნობიარე სტრატეგიაა და შეუძლია თანმიმდევრობებს შორის სუსტი, მაგრამ ბიოლოგიურად მნიშვნელოვანი მსგავსებების დაფიქსირება.
The optimization of profile parameters makes a very sensitive search strategy to detect weak but biologically significant similarities between sequences.
წინა შემდეგი