Machine learning-assisted sequence alignment
Machine learning-assisted sequence alignment uses statistical learning models — including deep neural networks and protein language models — to compute biologically meaningful alignments between nucleotide or amino acid sequences. By learning substitution patterns and structural constraints from large training corpora, these methods surpass classical scoring matrices (e.g., BLOSUM, PAM) in sensitivity for remote homologs and structurally constrained regions, making them the current state of the art for difficult alignment tasks in genomics and proteomics.
Lähdetietue
Sitaatit kopioitu sanatarkasti metodin lähdetietueesta. Niistä ei päätellä väitteiden tasoista varmennusta.
- 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
Kuratoituja väitteitä
Väitteet tallennettu todistusaineiston pääkirjaan, jokaisella oma arviointinsa.
Tämä näkymä ei keksi väitteen arviointia, jos pääkirjassa ei ole sitä.
Liittyvät metodit
Luotu metodigraafista ja näytetään koneen ehdottamina suhteina – väitteitä ei päätellä.