学习指数在基因组光谱上的效率
Md Hasin Abrar1, Paul Medvedev2, Giorgio Vinciguerra3
1Department of Computer Science and Engineering, Penn State, University Park, USA.
一个新的测量方法,Canonical Piecewise Linearapproximability (CaPLa),准确地预测了基因组k-mers.数据结构的性能. 这项测量揭示了整个生命中k-mer模式的广泛变化,提高了生物信息学工具的效率.
科学领域:
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
- 数据结构 数据结构
背景情况:
- 生物信息工具依赖于基因组基因组的数据结构.
- 有效的数据结构必须利用固有的数据模式.
- 学习指数提供高效的k-mer多组排名近似,但缺乏预测性绩效分析.
研究的目的:
- 开发一种新的测量方法来测量数据的线性近似性.
- 介绍正规的断片线性近似性 (CaPLa) 来预测数据结构性能.
- 分析基因组k-mer模式的可变性.
主要方法:
- 根据功率定律模型偏差,开发了CaPLa.
- 证明了CaPLa的特性,并创建了一个高效的计算算法.
- 应用CaPLa来预测现实世界数据结构的空间界限.
主要成果:
- 在基因组数据上,CaPLa准确地预测了基因组数据上的数据结构的空间界限.
- 对500多个基因组的实证分析显示,在生命树和基因组内存在显著的CaPLa变异.
- 确定了导致基因组k-mer多元集不同于随机的因素.
结论:
- CaPLa是一种可靠的测量方法,用于预测基因组k-mers上的数据结构性能.
- 基因组k-mer模式表现出相当大的变化,影响数据结构的效率.
- CaPLa为各种基因组数据集优化生物信息学工具提供了见解.
更多相关视频
11:35Screening for Functional Non-coding Genetic Variants Using Electrophoretic Mobility Shift Assay EMSA and DNA-affinity Precipitation Assay DAPA
Published on: August 21, 2016
07:11Digital PCR-based Competitive Index for High-throughput Analysis of Fitness in Salmonella
Published on: May 13, 2019
相关概念视频
Evolutionary Relationships through Genome Comparisons
DNA Microarrays
Gene Evolution - Fast or Slow?
In contrast, regions which code...
Expected Frequencies in Goodness-of-Fit Tests
Modern Molecular Taxonomy
Genome Size and the Evolution of New Genes
