Maskinlæringsassisteret sekvensjustering
Maskinlæringsassisteret sekvensjustering anvender statistiske læringsmodeller — herunder dybe neurale netværk og proteinkropssprogmodeller — til at beregne biologisk meningsfulde justeringer mellem nukleotid- eller aminosyresekvenser. Ved at lære substitutionsmønstre og strukturelle begrænsninger fra store træningskorpora, overgår disse metoder klassiske scoringsmatricer (f.eks. BLOSUM, PAM) i følsomhed for fjernt beslægtede homologer og strukturelt begrænsede regioner, hvilket gør dem til den nuværende state-of-the-art for vanskelige justeringsopgaver inden for genomik og proteomik.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Llinares-López, F., Berthet, Q., Blondel, M., Teboul, O., & Vert, J.-P. (2023). Deep embedding and alignment of protein sequences. Nature Methods, 20(1), 104–111. DOI: 10.1038/s41592-022-01700-2 ↗
- Jumper, J., Evans, R., Pritzel, A., et al. (2021). Highly accurate protein structure prediction with AlphaFold. Nature, 596(7873), 583–589. DOI: 10.1038/s41586-021-03819-2 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Machine Learning-Assisted Sequence Alignment. ScholarGate. https://scholargate.app/da/bioinformatics/machine-learning-assisted-sequence-alignment
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Fylogenetisk analyseBioinformatik↔ compare
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →