ზუსტი დამთხვევა
ორიგინალის ენა
ქვეკორპუსები
ჯგუფები
კრებულები
ტიპები
ჟანრები
დარგები
გამომცემლობები
ავტორები
მთარგმნელები
გამოცემულია
წლიდან
წლამდე
თარგმნილია
წლიდან
წლამდე
წინა შემდეგი
721.
ბიოინფორმატიკის საფუძვლები | თავი 6
რეგულარიზაციის პროცესის ავტომატიზაციის მიზნით შეიმუშავეს სხვადასხვა მათემატიკური მოდელი, რომლებიც ახდენენ თანმიმდევრობების გათანაბრებაში ამინომჟავების განაწილების სიმულაციას.
To automate the process of regularization, various mathematical models have been developed to simulate the amino acid distribution in a sequence alignment.
722.
ბიოინფორმატიკის საფუძვლები | თავი 6
ამ წინასწარ კონსტრუირებულ მოდელებს შეუძლია ამინომჟავების დაკვირვებადი განაწილების შესწორება, რომელიც მიღებულია ლიმიტირებული თანმიმდევრობების გათანაბრების შედეგად.
These preconstructed models aim to correct the observed amino acid distribution derived from a limited sequence alignment.
723.
ბიოინფორმატიკის საფუძვლები | თავი 6
ძლიერ დივერგირებული თანმიმდევრობების გამოცნობაში მთავარი პრობლემაა ინსერციებისა და დელეციების დამუშავება.
Because the handling of insertions and deletions is a major problem in recognizing highly divergent sequences.
724.
ბიოინფორმატიკის საფუძვლები | თავი 6
ამიტომ, სტანდარტულ პროფილის ანალიზთან შედარებით ისინი უფრო ზუსტია, თანმიმდევრობების ოჯახის ნატიფი თვისებების აღწერაში.
They are therefore more robust in describing subtle patterns of a sequence family than standard profile analysis.
725.
ბიოინფორმატიკის საფუძვლები | თავი 6
მათი სწავლება უნდა მოხდეს მრავალი თანმიმდევრობის გათანაბრებაზე დაყრდნობით, მაგრამ დასწავლის შემდეგ ის შეიძლება პირიქით, ნათესაური თანმიმდევრობების მრავლობითი გათანაბრების ასაგებადაც გამოვიყენოთ.
Although they has to be trained based on multiple sequence alignment, once it is trained, it can in turn be used for the construction of multiple alignment of related sequences.
726.
ბიოინფორმატიკის საფუძვლები | თავი 6
ისინი შეიძლება გამოვიყენოთ მონაცემთა ბაზაში ძებნისას დაცილებული თანმიმდევრობების ჰომოლოგების დასადგენად.
They can be used for database searching to detect distant sequence homologs.
727.
ბიოინფორმატიკის საფუძვლები | თავი 6
პაკეტია, რომელიც გამოსადეგია თანმიმდევრობების ანალიზისთვის და უფასოდ მისაწვდომია.
It is a package for sequence analysis available in the public domain.
728.
ბიოინფორმატიკის საფუძვლები | თავი 6
პაკეტი ქვეპროგრამის საშუალებით, პროფილებს ქმნის, რასაც თანმიმდევრობების გათანაბრებიდან ახორციელებს.
It creates profile from a sequence alignment using the subprogram.
729.
ბიოინფორმატიკის საფუძვლები | თავი 6
ისინი არიან სტატისტიკური მოდელებია, რომლებიც თანმიმდევრობების ოჯახის კონსენსუსს გვაძლევს.
They are statistical models that represent the consensus of a sequence family.
730.
ბიოინფორმატიკის საფუძვლები | თავი 6
ვინაიდან ისინი უშვებენ ნაწილობრივ შეთავსებებს, ამიტომ დაცილებული ჰომოლოგების დადგენაში უფრო დიდ მგრძნობელობას ავლენენ, ვიდრე თანმიმდევრობების გათანაბრების ჩვეულებრივი მეთოდები.
Because they allow partial matches, they are more sensitive in detecting remote homologs than regular sequence alignment methods.
731.
ბიოინფორმატიკის საფუძვლები | თავი 6
განმარტების მიხედვით მრავალი უგეპო თანმიმდევრობის შედეგად მიღებული შეფასების ცხრილია.
By definition is a scoring table derived from ungapped multiple sequence alignment.
732.
ბიოინფორმატიკის საფუძვლები | თავი 6
ის მოიცავს მოძრაობას სხვადასხვა დაკვირვებადი და ფარული მდგომარეობების სპეციფიკურ აგებულებაში, რომ გეპებიანი თანმიმდევრობების მრავლობითი გათანაბრება აღვწეროთ.
It involves traveling through a special architecture of various observed and hidden states to describe a gapped multiple sequence alignment.
733.
ბიოინფორმატიკის საფუძვლები | თავი 6
გეპების ჩატვირთვის და დამუშავების მოქნილი სისტემის გამო ის პროფილებზე უფრო მგრძნობიარეა, დაცილებული თანმიმდევრობების ჰომოლოგების დადგენის მიხედვით.
As a result of flexible handling of gaps, it is more sensitive than profiles in detecting remote sequence homologs.
734.
ბიოინფორმატიკის საფუძვლები | თავი 6
მოდელის სამივე ტიპი დასწავლას საჭიროებს, ვინაიდან სტატისტიკური პარამეტრები თანმიმდევრობების ოჯახების გათანაბრების შესაბამისად უნდა განისაზღვროს.
All three types of models require training because the statistical parameters have to be determined according to alignment of sequence families.
735.
ბიოინფორმატიკის საფუძვლები | თავი 7
ბიოლოგიური თანმიმდევრობის დახასიათების მნიშვნელოვანი ასპექტია მოტივებისა და დომენების იდენტიფიკაცია.
An important aspect of biological sequence characterization is identification of motifs and domains.
736.
ბიოინფორმატიკის საფუძვლები | თავი 7
ამას მართლაც დიდი მნიშვნელობა აქვს გამოსაკვლევი ცილის ფუნქციის დახასიათებისთვის, ვინაიდან ცილის ახლად დადგენილ თანმიმდევრობას ხშირად არა აქვს მონაცემთა ბაზაში სრული სიგრძის თანმიმდევრობებთან სარწმუნო მსგავსება, რომლის ფუნქციები ცნობილია. ეს ახალი ცილის ფუნქციების დადგენას ართულებს.
It is an important way to characterize unknown protein functions because a newly obtained protein sequence often lacks significant similarity with database sequences of known functions over their entire length, which makes functional assignment difficult.
737.
ბიოინფორმატიკის საფუძვლები | თავი 7
ასეთ შემთხვევაში ცილის ფუნქციის არსის დადგენა ბიოლოგებს შეუძლიათ კონკრეტული ფუნქციების მატარებელი მოკლე კონსენსუსის თანმიმდევრობების იდენტიფიკაციის საფუძველზე.
In this case, biologists can gain insight of the protein function based on identification of short consensus sequences related to known functions.
738.
ბიოინფორმატიკის საფუძვლები | თავი 7
ამ კონსენსუსის თანმიმდევრობების სტრუქტურებს მოტივებსა და დომენებს ეძახიან.
These consensus sequence patterns are termed motifs and domains.
739.
ბიოინფორმატიკის საფუძვლები | თავი 7
მოტივი, მოკლე დაკონსერვებული თანმიმდევრობის სტრუქტურაა, რომელიც დაკავშირებულია ცილის ან დნმ-ს ინდივიდუალურ ფუნქციასთან.
A motif is a short conserved sequence pattern associated with distinct functions of a protein or DNA.
740.
ბიოინფორმატიკის საფუძვლები | თავი 7
დომენიც დაკონსერვებული თანმიმდევრობის სტრუქტურაა, რომელსაც დამოუკიდებელი ფუნქციური და სტრუქტურული ერთეულის სახით განსაზღვრავენ.
A domain is also a conserved sequence pattern, defined as an independent functional and structural unit.
წინა შემდეგი