抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
機能領域の特定は蛋白質ファミリーの蛋白質配列解析のための基本的に重要である。このような知識は,より良好な科学的理解を提供するだけでなく,支援薬物発見。ドメインアノテーションは一つの方法であるが,既存のデータベースを活用する必要がある。de novo発見のために,モチーフ発見は,局所的な類似配列を局在し整列させ,位置-重みマトリックス(PWM)としてそれらを表している。しかし,PWMは固定長モデルである蛋白質の機能的領域の大きさが変化した。さらに,PWMを得るために,幅範囲パラメータは全数検索によって同定される必要がある。,大規模データセットのための計算集約的である。本論文では,保存された蛋白質の機能領域における残基を発見し,整列するパターン指向整列パターンクラスタリング(PD APCn)として知られている新しい方法を提案した。可変パターン長を可能にする表現モデルとして整列したパターンクラスタ(APC)を採用した。強い支持をもつパターンを用いたAPCの増分展開を指示するために,置換とフレームシフト変異を可能にし,ロバストな停止条件に達するまで。ブレークポイントギャップの概念は,置換とフレームシフト変異を有する非被覆保存されたパターンを同定するために導入される,これらはしばしば稀な変異体である。PD APCnの性能を評価するために,著者らは異なるサイズと騒音レベルを持つ合成データセット上で実験を行った。一般的モチーフ発見アルゴリズムMEMEと比較して,PD APCnは実験を通して比肩可能な性能を示した,400までの高い再現率とFmeasureを得る×MEMEと比較して大きな計算スピードアップ。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】