Maschinelles Lernen-gestützte Sequenzalignments
Maschinelles Lernen-gestützte Sequenzalignments nutzen statistische Lernmodelle – einschließlich tiefer neuronaler Netze und Proteinsprachmodelle –, um biologisch aussagekräftige Alignments zwischen Nukleotid- oder Aminosäuresequenzen zu berechnen. Durch das Erlernen von Substitutionsmustern und strukturellen Einschränkungen aus großen Trainingskorpora übertreffen diese Methoden klassische Scoring-Matrizen (z. B. BLOSUM, PAM) in der Sensitivität für entfernte Homologe und strukturell eingeschränkte Regionen, was sie zum aktuellen Stand der Technik für schwierige Alignment-Aufgaben in der Genomik und Proteomik macht.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Machine Learning-Assisted Sequence Alignment. ScholarGate. https://scholargate.app/de/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.
- Phylogenetische AnalyseBioinformatik↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →