ზუსტი დამთხვევა
ორიგინალის ენა
ქვეკორპუსები
ჯგუფები
კრებულები
ტიპები
ჟანრები
დარგები
გამომცემლობები
ავტორები
მთარგმნელები
გამოცემულია
წლიდან
წლამდე
თარგმნილია
წლიდან
წლამდე
წინა შემდეგი
981.
ბიოინფორმატიკის საფუძვლები | თავი 15
ემპირიული წესის მიხედვით, მონაცემთა ბაზის ცილების შაბლონის სახით შესარჩევად, მათ გამოსაკვლევ თანმიმდევრობასთან, სულ ცოტა, თანმიმდევრობების 30%-იანი მსგავსება უნდა ჰქონდეს.
As a rule of thumb, a database protein should have at least 30% sequence identity with the query sequence to be selected as template.
982.
ბიოინფორმატიკის საფუძვლები | თავი 15
ხანდახან, თუ თანმიმდევრობების წყვილის მსგავსება „უსაფრთხო ზონაში“ ხვდება, ზღვრის სახით შეიძლება იდენტურობის 20%-იანი დონეც მივიღოთ.
Occasionally, a 20% identity level can be used as threshold as long as the identity of the sequence pair falls within the "safe zone".
983.
ბიოინფორმატიკის საფუძვლები | თავი 15
მეორე მხრივ, შეიძლება ისეთი სიტუაციაც გვქონდეს, როცა სტრუქტურების მონაცემთა ბაზაში ვერ მოვძებნით დიდი მსგავსების მქონე თანმიმდევრობას.
On the other hand, there may be a situation in which no highly similar sequences can be found in the structure database.
984.
ბიოინფორმატიკის საფუძვლები | თავი 15
იმის შემდეგ, რაც შაბლონის სახით ყველაზე დიდი მსგავსების მქონე სტრუქტურას დავადგენთ, საჭიროა შაბლონისა და სამიზნე თანმიმდევრობების სრული სიგრძეების ხელმეორე გათანაბრება, რასაც ოპტიმალური გათანაბრების მისაღებად, გათანაბრების გამწმენდი ალგორითმების გამოყენებით ვახორციელებთ.
Once the structure with the highest sequence similarity is identified as a template, the full-length sequences of the template and target proteins need to be realigned using refined alignment algorithms to obtain optimal alignment.
985.
ბიოინფორმატიკის საფუძვლები | თავი 15
თანმიმდევრობების გათანაბრებაში, რომელიც მოდელირების მიზნით ჩატარდა, ხშირად გვხდება ისეთი რეგიონები, რომლებსაც ინსერციები და დელეციები განაპირობებენ.
In the sequence alignment for modeling, there are often regions caused by insertions and deletions.
986.
ბიოინფორმატიკის საფუძვლები | თავი 15
ყველაზე საუკეთესო მარყუჟის შერჩევა შესაძლებელია თანმიმდევრობების მსგავსებაზე და მეზობელ ნაწილებთან სტრუქტურის სივრცულ კონტაქტზე დაყრდნობით.
The best loop can be selected based on sequence similarity as well as minimal steric clashes with the neighboring parts of the structure.
987.
ბიოინფორმატიკის საფუძვლები | თავი 15
მეთოდი თანმიმდევრობის სწორად და არასწორად აწყობილ რეგიონებს ადგენს.
The method reveals which regions of a sequence appear to be folded normally and which regions do not.
988.
ბიოინფორმატიკის საფუძვლები | თავი 15
მომხმარებელი მას შაბლონისა და სამიზნეს წინასწარ განსაზღვრული თანმიმდევრობების გათანაბრებით უზრუნველყოფს, რომ პროგრამამ ისეთი მოდელის გამოთვლა შეძლოს, რომელიც ყველა მძიმე ატომს (არაწყალბადის ატომს) შეიცავს.
The user provides a predetermined sequence alignment of a template(s) and a target to allow the program to calculate a model containing all of the heavy atoms (nonhydrogen atoms).
989.
ბიოინფორმატიკის საფუძვლები | თავი 15
ჰომოლოგების დადგენის შეზღუდული მეთოდის გამოყენებით პროგრამა ჩონჩხის მოდელირებას აკეთებს, რომელიც სამიზნე და შაბლონის ცილებს შორის თანმიმდევრობების მრავლობით გათანაბრებას ეყრდნობა და მისი საშუალებით მეტად დაკონსერვებულ ნაშთებს ნაკლებად დაკონსერვებულებისგან განასხვავებს.
The program models the backbone using a homology-derived restraint method, which relies on multiple sequence alignment between target and template proteins to distinguish highly conserved residues from less conserved ones.
990.
ბიოინფორმატიკის საფუძვლები | თავი 15
შვეიცარიული მოდელირება მოდელირების ავტომატიზებული სერვერია, რომლის საშუალებით მომხმარებელს თანმიმდევრობის შეყვანა და სტრუქტურის პასუხის ავტომატურად მიღება შეუძლია.
Swiss-Model is an automated modeling server that allows a user to submit a sequence and to get back a structure automatically.
991.
ბიოინფორმატიკის საფუძვლები | თავი 15
მოდელირების მიზნით, პირველი მიდგომის რეჟიმის შემთხვევაში მომხმარებელი უზრუნველყოფს თანმიმდევრობის შეყვანას.
In the First Approach mode, the user provides sequence input for modeling.
992.
ბიოინფორმატიკის საფუძვლები | თავი 15
მომხმარებელი, ოპტიმიზაციის რეჟიმში, თანმიმდევრობების გათანაბრებას მისი საშუალებით ახორციელებს და მოდელის კონსტრუირების მიზნით, ის სერვერში შეჰყავს.
In the Optimize mode, the user constructs a sequence alignment in it and submits it to the server for model construction.
993.
ბიოინფორმატიკის საფუძვლები | თავი 15
ზუსტად ამ გზით მიიღეს ცილის მოდელები მთლიანი თანმიმდევრობის მონაცემთა ბაზებისთვის, ან მთლიანად გადათარგმნილი გენომებისთვის.
Protein models for entire sequence databases or entire translated genomes have been generated.
994.
ბიოინფორმატიკის საფუძვლები | თავი 15
თანმიმდევრობების უმეტესი ნაწილის მოდელირების შემთხვევაში, სინამდვილეში მოდელირებულია მხოლოდ ის ქვეთანმიმდევრობები ან დომენები, რომლებიც შაბლონებთან მსგავსების მაღალ ხარისხს ავლენენ.
For most sequences that have been modeled, only partial sequences or domains that share strong similarities with templates are actually modeled.
995.
ბიოინფორმატიკის საფუძვლები | თავი 15
როგორც მეთორმეტე და მეცამეტე თავებში განვიხილეთ, ცილის მილიონობით თანმიმდევრობასთან შედარებით, დადგენილია ცილის ნაკეცების მხოლოდ მცირე რაოდენობა.
As discussed in Chapters 12 and 13, there are only small number of protein folds available, compared to millions of protein sequences.
996.
ბიოინფორმატიკის საფუძვლები | თავი 15
ეს ნიშნავს, რომ თანმიმდევრობებთან შედარებით, ცილის სტრუქტურები მეტ დაკონსერვულობას ავლენს.
This means that protein structures tend to be more conserved than protein sequences.
997.
ბიოინფორმატიკის საფუძვლები | თავი 15
შესაბამისად, მრავალ ცილას შეიძლება მსგავსი ნაკეცები ჰქონდეს, თანმიმდევრობების განსხვავების შემთხვევაშიც კი.
Consequently, many proteins can share a similar fold even in the absence of sequence similarities.
998.
ბიოინფორმატიკის საფუძვლები | თავი 15
ამ თვისების საშუალებით შესაძლებელია კომპიუტერული მეთოდების დამუშავება, რომლებიც ცილის სტრუქტურების პროგნოზს, მათი თანმიმდევრობების მსგავსებისგან დამოუკიდებლად ასრულებენ.
This allowed the development of computational methods to predict protein structures beyond sequence similarities.
999.
ბიოინფორმატიკის საფუძვლები | თავი 15
იმის განსაზღვრა, მიიღებს თუ არა ცილის თანმიმდევრობა ცნობილი სამგანზომილებიანი სტრუქტურის აგებულებას, სრედინგის ან ნაკეცის გამოცნობის მეთოდებს ეფუძნება.
To determine whether a protein sequence adopts a known three-dimensional structure fold relies on threading and fold recognition methods.
1000.
ბიოინფორმატიკის საფუძვლები | თავი 15
განმარტების თანახმად, სრედინგი ან სტრუქტურული ნაკეცის გამოცნობა უცნობი ცილის თანმიმდევრობის სტრუქტურულ ნაკეცს პროგნოზირებს, რასაც გამოსაკვლევი თანმიმდევრობის სტრუქტურულ მონაცემთა ბაზასთან თავსებადობისა და ყველაზე შესაბამისი ნაკეცის შერჩევის შედეგად ახორციელებს.
By definition, threading or structural fold recognition predicts the structural fold of an unknown protein sequence by fitting the sequence into a structural database and selecting the best-fitting fold.
წინა შემდეგი