• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Journal of Molecular Biology >An expectation maximization algorithm for training hidden substitution models.
【24h】

An expectation maximization algorithm for training hidden substitution models.

机译：一种用于训练隐藏替换模型的期望最大化算法。

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

We derive an expectation maximization algorithm for maximum-likelihood training of substitution rate matrices from multiple sequence alignments. The algorithm can be used to train hidden substitution models, where the structural context of a residue is treated as a hidden variable that can evolve over time. We used the algorithm to train hidden substitution matrices on protein alignments in the Pfam database. Measuring the accuracy of multiple alignment algorithms with reference to BAliBASE (a database of structural reference alignments) our substitution matrices consistently outperform the PAM series, with the improvement steadily increasing as up to four hidden site classes are added. We discuss several applications of this algorithm in bioinformatics.
机译：我们从多个序列比对中推导了最大期望似然算法，用于对替代率矩阵进行最大似然训练。该算法可用于训练隐藏替换模型，其中残基的结构上下文被视为可以随时间演变的隐藏变量。我们使用该算法在Pfam数据库中的蛋白质比对中训练隐藏的替代矩阵。参照BAliBASE（结构参考比对数据库）测量多种比对算法的准确性，我们的替代矩阵始终优于PAM系列，并且随着添加多达四个隐藏站点类别，其改进稳步提高。我们讨论了该算法在生物信息学中的几种应用。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号