Você está no menu de acessibilidade

Utilize este identificador para citar ou criar um link para este item: http://acervodigital.unesp.br/handle/11449/129033
Título: 
Learning HMMs for nucleotide sequences from amino acid alignments
Autor(es): 
Instituição: 
  • Universidade Estadual Paulista (UNESP)
  • Universidade Federal de São Carlos (UFSCar)
  • Universidade de São Paulo (USP)
  • Katholieke Universiteit Leuven
ISSN: 
1367-4803
Financiador: 
  • Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP)
  • Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq)
Número do financiamento: 
  • FAPESP: 2012/24774-2
  • FAPESP: 2010/10731-4
  • CNPq: 306493/2013-6
Resumo: 
Profile hidden Markov models (profile HMMs) are known to efficiently predict whether an amino acid (AA) sequence belongs to a specific protein family. Profile HMMs can also be used to search for protein domains in genome sequences. In this case, HMMs are typically learned from AA sequences and then used to search on the six-frame translation of nucleotide (NT) sequences. However, this approach demands additional processing of the original data and search results. Here, we propose an alternative and more direct method which converts an AA alignment into an NT one, after which an NT-based HMM is trained to be applied directly on a genome.
Data de publicação: 
1-Jun-2015
Citação: 
Bioinformatics. Oxford: Oxford Univ Press, v. 31, n. 11, p. 1836-1838, 2015.
Duração: 
1836-1838
Publicador: 
Oxford Univ Press
Fonte: 
http://bioinformatics.oxfordjournals.org/content/31/11/1836
Endereço permanente: 
Direitos de acesso: 
Acesso restrito
Tipo: 
outro
Fonte completa:
http://repositorio.unesp.br/handle/11449/129033
Aparece nas coleções:Artigos, TCCs, Teses e Dissertações da Unesp

Não há nenhum arquivo associado com este item.
 

Itens do Acervo digital da UNESP são protegidos por direitos autorais reservados a menos que seja expresso o contrário.