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.
Dossier source
Citations copiées telles quelles du dossier source de la méthode. Aucune vérification au niveau de la revendication n'en est déduite.
- 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
Revendications organisées
Revendications enregistrées dans le registre de preuves, chacune avec sa propre évaluation.
Cette vue n'invente pas d'évaluation de revendication lorsque le registre n'en contient aucune.
Méthodes apparentées
Généré à partir du graphe de méthodes et présenté comme des relations suggérées par la machine — aucune revendication de preuve n'est déduite.