Gépi tanulással támogatott szekvenciaillesztés
A gépi tanulással támogatott szekvenciaillesztés statisztikai tanulási modelleket – beleértve mély neurális hálózatokat és fehérje nyelvi modelleket – használ nukleotid- vagy aminosav-szekvenciák közötti biológiailag értelmezhető illesztések kiszámítására. Nagy tanító adathalmazokból származó szubsztitúciós mintázatok és szerkezeti megkötések tanulásával ezek a módszerek érzékenységükben felülmúlják a klasszikus pontozási mátrixokat (pl. BLOSUM, PAM) a távoli homológok és szerkezetileg kötött régiók esetében, így jelenleg ezek a legfejlettebb megoldások a genomika és proteomika nehéz illesztési feladataiban.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Machine Learning-Assisted Sequence Alignment. ScholarGate. https://scholargate.app/hu/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.
- Filogenetikai elemzésBioinformatika↔ compare
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →