ზუსტი დამთხვევა
ორიგინალის ენა
ქვეკორპუსები
ჯგუფები
კრებულები
ტიპები
ჟანრები
დარგები
გამომცემლობები
ავტორები
მთარგმნელები
გამოცემულია
წლიდან
წლამდე
თარგმნილია
წლიდან
წლამდე
წინა შემდეგი
821.
ბიოინფორმატიკის საფუძვლები | თავი 7
თანმიმდევრობების ლოგოები არის მოტივების წარდგენის ეფექტური გზა.
Sequence logos are an effective way to represent motifs.
822.
ბიოინფორმატიკის საფუძვლები | თავი 8
გენომის თანმიმდევრობებზე ინფორმაციის სწრაფ დაგროვებასთან ერთად იზრდება გენის სტრუქტურის ზუსტი პროგნოზისთვის გამოთვლითი მეთოდების გამოყენების აუცილებლობაც.
With the rapid accumulation of genomic sequence information, there is a pressing need to use computational approaches to accurately predict gene structure.
823.
ბიოინფორმატიკის საფუძვლები | თავი 8
ამასთან ერთად, გენომში დომინირებს ცილის მაკოდირებელი გენები (რიბოსომული რნმ-ს და სატრანსპორტო რნმ-ს გენებთან შედარებით), ამიტომ, ჩვენი დისკუსია ფოკუსირებული იქნება ცილის მაკოდირებელი თანმიმდევრობების პროგნოზირებაზე.
In addition, because of the predominance of protein coding genes in a genome (as opposed to rRNA and tRNA genes), the discussion focuses on the prediction of protein coding sequences.
824.
ბიოინფორმატიკის საფუძვლები | თავი 8
ab initio მეთოდზე დაფუძნებული მიდგომა გენებს მხოლოდ მოცემულ თანმიმდევრობაზე დაყრდნობით პროგნოზირებს.
The ab initio–based approach predicts genes based on the given sequence alone.
825.
ბიოინფორმატიკის საფუძვლები | თავი 8
ჰომოლოგიურობაზე დაფუძნებული მეთოდი პროგნოზებს მოთხოვნილი თანმიმდევრობის ცნობილი გენების თანმიმდევრობებთან სარწმუნო თავსებადობების საფუძველზე აკეთებს.
The homology-based method makes predictions based on significant matches of the query sequence with sequences of known genes.
826.
ბიოინფორმატიკის საფუძვლები | თავი 8
თუ მონაცემთა ბაზაში ნაპოვნი დნმ-ს გადათარგმნილი თანმიმდევრობა ცილების ოჯახის რომელიმე ცნობილი ცილის მსგავსი იქნება, ეს შეიძლება იმის ძლიერი დასტური აღმოჩნდეს, რომ ეს რეგიონი ცილას აკოდირებს.
For instance, if a translated DNA sequence is found to be similar to a known protein or protein family from a database search, this can be strong evidence that the region codes for a protein.
827.
ბიოინფორმატიკის საფუძვლები | თავი 8
პირიქითაც, თუ გენომური დნმ-ს რეგიონის სავარაუდო ეგზონები სეკვენირებულ კდნმ-ს ეთავსება, ეს ასევე იძლევა მაკოდირებელი რეგიონის არსებობის ექსპერიმენტულ დასტურს.
Alternatively, when possible exons of a genomic DNA region match a sequenced cDNA, this also provides experimental evidence for the existence of a coding region.
828.
ბიოინფორმატიკის საფუძვლები | თავი 8
გენომის თანმიმდევრობების 90%-ზე მეტი მაკოდირებელ თანმიმდევრობებს შეიცავს.
The gene density in the genomes is high, with more than 90% of a genome sequence containing coding sequence.
829.
ბიოინფორმატიკის საფუძვლები | თავი 8
განმეორებადი თანმიმდევრობები ძალიან ცოტაა.
There are very few repetitive sequences.
830.
ბიოინფორმატიკის საფუძვლები | თავი 8
ერთი ასეთი თვისებაა რიბოსომას მიბმის საიტი, რომელსაც ასევე შაინ-დალგარნოს თანმიმდევრობას უწოდებენ.
One such feature is the ribosomal binding site, also called the Shine-Delgarno sequence.
831.
ბიოინფორმატიკის საფუძვლები | თავი 8
ეს პურინით მდიდარი თანმიმდევრობის მონაკვეთია, რომელიც რიბოსომას რრნმ-ს კომპლემენტარულია.
წhich is a stretch of purine-rich sequence complementary to rRNA in the ribosome.
832.
ბიოინფორმატიკის საფუძვლები | თავი 8
ტერმინატორ თანმიმდევრობას ღერძი-მარყუჟის განსხვავებული მეორეული სტრუქტურა აქვს.
The terminator sequence has a distinct stem-loop secondary structure.
833.
ბიოინფორმატიკის საფუძვლები | თავი 8
შემდგომში სავარაუდო ჩარჩო სხვა სიგნალების, როგორიცაა სტარტ-კოდონი და შაინ-დალგარნოს თანმიმდევრობა, შეყვანის საშუალებით მანუალურად დასტურდება.
The putative frame is further manually confirmed by the presence of other signals such as a start codon and Shine–Delgarno sequence.
834.
ბიოინფორმატიკის საფუძვლები | თავი 8
ამის გარდა, სავარაუდო ის შეიძლება ცილის თანმიმდევრობად გადაითარგმნოს, რომელიც შემდეგ ცილის მონაცემთა ბაზაში ძებნისთვის გამოიყენება.
Furthermore, the putative it can be translated into a protein sequence, which is then used to search against a protein database.
835.
ბიოინფორმატიკის საფუძვლები | თავი 8
მარკოვის მოდელი დნმ-ს თანმიმდევრობაში ნუკლეოტიდების განაწილების ალბათობას აღწერს, სადაც კონკრეტული თანმიმდევრობის პოზიციის პირობითი ალბათობა დამოკიდებულია წინა პოზიციაზე.
A Markov model describes the probability of the distribution of nucleotides in a DNA sequence, in which the conditional probability of a particular sequence position depends on previous positions.
836.
ბიოინფორმატიკის საფუძვლები | თავი 8
ეს ხშირად არამაკოდირებელი თანმიმდევრობების შემთხვევაში ხდება.
This is often the case for noncoding sequences.
837.
ბიოინფორმატიკის საფუძვლები | თავი 8
ეს უფრო დამახასიათებელია მაკოდირებელი თანმიმდევრობების კოდონებისთვის.
Which is more characteristic of codons in a coding sequence.
838.
ბიოინფორმატიკის საფუძვლები | თავი 8
მარკოვის მოდელებისთვის პარამეტრების სწავლება შეიძლება თანმიმდევრობების ნაკრების გამოყენებით, რომელსაც გენის ცნობილი ლოკალიზაცია ახასიათებს.
The parameters of a Markov model have to be trained using a set of sequences with known gene locations.
839.
ბიოინფორმატიკის საფუძვლები | თავი 8
მოდელის პარამეტრების დადგენის შემდეგ, ის შეიძლება ახალ თანმიმდევრობაში ტრიმერების ან ჰექსამერების არაშემთხვევითი განაწილების გამოსათვლელად გამოვიყენოთ, რომ გამოსაკვლევ ნაკრებში დავადგინოთ რეგიონები, რომლებიც თავსებადია სტატისტიკურ პროფილებთან.
Once the parameters of the model are established, it can be used to compute the nonrandom distributions of trimers or hexamers in a new sequence to find regions that are compatible with the statistical profiles in the learning set.
840.
ბიოინფორმატიკის საფუძვლები | თავი 8
მეხუთე რიგითობის მარკოვის ჯაჭვის გამოყენების პოტენციური პრობლემა იმაში მდგომარეობს, რომ მეთოდის ეფექტურობა შეიძლება შეიზღუდოს, თუ იქ ჰექსამერები არასაკმარისია, როგორც ეს მოკლე გენის თანმიმდევრობის შემთხვევაში გვაქვს.
A potential problem of using a fifth-order Markov chain is that if there are not enough hexamers, which happens in short gene sequences, the method’s efficacy may be limited.
წინა შემდეგი