TWI326431B - Method and system of analyzing gene sequence - Google Patents
Method and system of analyzing gene sequence Download PDFInfo
- Publication number
- TWI326431B TWI326431B TW96115338A TW96115338A TWI326431B TW I326431 B TWI326431 B TW I326431B TW 96115338 A TW96115338 A TW 96115338A TW 96115338 A TW96115338 A TW 96115338A TW I326431 B TWI326431 B TW I326431B
- Authority
- TW
- Taiwan
- Prior art keywords
- sequence
- analysis
- feature vector
- analysis object
- segment
- Prior art date
Links
- 108090000623 proteins and genes Proteins 0.000 title claims description 44
- 238000000034 method Methods 0.000 title claims description 33
- 239000013598 vector Substances 0.000 claims description 81
- 238000004458 analytical method Methods 0.000 claims description 79
- 239000012634 fragment Substances 0.000 claims description 27
- 238000012300 Sequence Analysis Methods 0.000 claims description 22
- 230000001105 regulatory effect Effects 0.000 claims description 20
- 238000010586 diagram Methods 0.000 claims description 13
- 239000013604 expression vector Substances 0.000 claims description 13
- 230000002018 overexpression Effects 0.000 claims description 13
- 238000013178 mathematical model Methods 0.000 claims description 10
- 230000014509 gene expression Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 101150066838 12 gene Proteins 0.000 claims 1
- 238000012163 sequencing technique Methods 0.000 claims 1
- 239000011159 matrix material Substances 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 3
- 238000010170 biological method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 206010011469 Crying Diseases 0.000 description 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical group OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 108700005075 Regulator Genes Proteins 0.000 description 1
- 206010039740 Screaming Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000013043 chemical agent Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002773 nucleotide Substances 0.000 description 1
- 125000003729 nucleotide group Chemical group 0.000 description 1
- 108091008025 regulatory factors Proteins 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Description
1326431 九、發明說明： 【發明所屬之技術領域】 本發明係有關於基因序列分析方法，特別是有關於一 種藉由分析基因序列之特徵，來尋找該基因序列上被基因 • 調控因子所調控的結合區域。 【先前技術】 基因調控因子與基因之間的交互作用，控制著發育及 # 環境變化時等等重要的生理作用。因此，尋找在基因上被 調控因子作用的片段’不論就生物學理上和醫療上而言， 都是至關重要的一項研究主題。 傳統上’對於基因上被調控因子作用的片段或基因上 調控因子之調控區域(binding site)的尋找，係採用生物學 的方法，例如基因序列足跡法（DNA footprint)。足跡法是 利用化學藥劑，將作為研究對象之一段基因序列切割成片 段，再針對這些切割出的片段，分析其是否為調控區域。 ^ 此方法相當費時和費力。 近年來，除了傳統的生物學方法，也開始運用電腦資 訊技術來輔助基因序列的分析。例如，利用位置權重矩陣 法(position weight matrix)的基因序列分析方法。位置權 重矩陣法是針對已發現的調控區域做分析，統計每個位置 出現某個核甘酸（nucleotide)的次數來得知每個位置的權 重值並將之建立成一矩陣。依據位置權重矩陣法，所有的 調控區域長度都假設是固定的，且每個權重片段位置對於 基因調控區域的結合吸引力（binding affinity)影響是各自
Client's Docket No. 0950067tw TT’s Docket N〇:09I2-0912-A5087 丨 TWfl：送件版本)/a 丨 icewu 5 1326431 獨立的。 然而’位置權重矩陣法的上述假設，就基因序列 ^互相影響的觀點而言，並不正確。基因序列常ί 子結構結合的特徵序列通常為小片段 ^ 都出現於基因上游序列，且可能是位於基=二周 歹j中任何部份的小片段，故其長度也可能不同。 序 分析=:需要一種快速，且符合生物學原理的基因序列 【發明内容】 ^發明之目的為提供H由分析基因心 找該基因序列上被基因調控因子所調控的結合區域。“ 為達成上述目的，本發明提供一種基因序 7b. ΐ用以找尋一分析對象片段中的調控因子結合區域 〜dlngslte)。-子片段產生器，其接收該分析對象片 &，並切㈣分析對象片段以產生複數分析對 =寺徵向量產生H’其依據該分析對象子又 ==量。：聚類器，其將該分析對象特 妝^ M线應之—分析對象特徵向量分佈 I群組’以及每-向量群組在該分析對象片段中1 里。一對映器，其將該分析對象特徵向量分 ^一 預設的-背景序列特徵向量做對映，將 ^徵: 量分佈狀態圖中該向量群組之該表現量與。 徵向量之差異大於-預定值者部份標示為過度表現向旦 TT's Docke. No:0912-0912-A50871TWfl；^tS^)/a|icewu 1326431 及排序，並據以篩選出包含調控因子結合區域的該向量群 組。 本發明另提供一種基因序列分析方法，其用以找尋一 分析對象片段中的調控因子結合區域（binding site )。接 • 收該分析對象片段，並切割該分析對象片段以產生複數分 _ 析對象子片段。依據該分析對象子片段產生對應之分析對 象特徵向量。將該分析對象特徵向量予以聚類、分群，以 產生對應之一分析對象特徵向量分佈狀態圖，用以表現該 φ 分析對象特徵向量劃分而成之複數向量群組，以及每一向 ' 量群組在該分析對象片段中的表現量。將該分析對象特徵 - 向量分佈狀態圖與一預設的一背景序列特徵向量做對 映，將該分析對象特徵向量分佈狀態圖中該向量群組之該 表現量與該背景序列特徵向量之差異大於一預定值者部 份標示為過度表現向量群組。針對該過度表現向量群組加 以評分及排序，並據以篩選出包含調控因子結合區域的該 向量群組。 為讓本發明之上述和其他目的、特徵、和優點能更明 ® 顯易懂，下文特舉出較佳實施例，並配合所附圖式，作詳 細說明如下： 【實施方式】 為了讓本發明之目的、特徵、及優點能更明顯易懂， 下文特舉較佳實施例，並配合所附圖示第1圖到第4圖， 做詳細之說明。 本發明說明書提供不同的實施例來說明本發明不同 實施方式的技術特徵。其中，實施例中的各元件之配置係
Client's Docket No. 0950067tw TTs Docket No:0912-0912-A50871TWf(送件版本)/alicewu 7 丄」仂431 :=用以限制本發明。且實施例中圖式標號 的關聯係、為了簡化說明’並非意指不同實施例之間 -立第1圖顯示依據本發明實施例之基因序列分析 圖：基因序列分析系統1〇係用以找尋一分析對、象 二中的調控因子結合區域（binding site) , jl包括.、 ”面U、背景序列產生器12、子片段產生哭、13蛀輪入 量遙哇哭u取丄 门仅座生為13、特徵向 出介“。器15、對映器16、比較排序器17、輸 輸入介面11接收對應於該分析對 象片段資料110。該分析對象片段資料110“ ^ =對應於其所欲分析處理之基因序列片段的基因序』 月厅、序列產生器12依據一數學模—北 列片段資料⑽。該數學模型可以為 厅、序 使用者輸入數學模型。在此，該預設數學 =，，其產生與該分析對以= ⑶。由於基因的上游序列中，通序列片段資料 因子結合區域，其餘縣在分析均可^段是調控 故經由數學模型隨機產生的f景 )為雜帅〇叫， 突出的序列片段。亦即，背景序列片‘交出特別 除雜訊資料，以利找出分析對象片段資料L係用以消 的部份。 、料110中過度表現
ClienVs Dockei No. Q950067tw TT;s Docket No:09l2-09}2-A50871TW^^^)/aljcev .子片段產生器13其切割該分析對象片段資料U0以
Clients Dockei No. Q950067tw 丄326431 產生複數分析對象子片段資料131，並且割該背景序歹^ μ 段資料120以產生複數背景序列子片段資料133。子片# 產生斋13可以使用滑動視窗（sliding window)來執行上 述切割的程序’其中該滑動視窗的大小係為使用者指定。 特徵向量產生器14依據該分析對象子片段資料131 • 產生對應之分析對象特徵向量141，並且處理該背景序列 子片段資料133，以產生對應之該背景序列特徵向量 143 °其中該特徵向量產生器14計算分段模數(K-mer；^ • 項目頻率（term frequency)，並依據該分段模數的項目頻率 界定該分析對象特徵向量141及該背景序列特徵向量 143。 聚類器15將該分析對象特徵向量141予以聚類、分 群’以產生對應之一分析對象特徵向量分佈狀態圖151 , 用以表現該分析對象特徵向量141劃分而成之複數向量 群組，以及每一向量群組在該分析對象片段中的表現量。 该聚類器14使用類神經網路(Neural Networks)之自我組 織圖分群（Self-Organizing Map Clustering)方法將該分析 9 對象特徵向量予以聚類、分群，其中該分析對象特徵向量 分佈狀態圖151可以為二維方式表現。 對映器16將該分析對象特徵向量分佈狀態圖151與 該背景序列特徵向量143做對映，將該分析對象特徵向量 分佈狀態圖151中該向量群組之該表現量與該背景序列 特徵向量143之差異大於一預定值者部份標示為過度表 現向量群組，並將過度表現向量群組161的資料傳送給比 較排序器17。
Client’s Docket No. 0950067tw TT’s Docket No:〇912-0912-A50871 TWfl；送件版本)/alicewu 分及排1排17針對該過度表現向量群組161加以評 群組171 :並==出包含調控因子結合區域的該向量 二ί:=排序？ 17計算該過度表現向量群組二 表；向：群徵向|143的相對表現量’並計算該過度 里群、，且和该分析對象特徵向量之相對表現晋，if e 據上述2结果對該過度表現向量群組心：；。亚依 流程圖。圖顯示依據本發明實施例之基因序列分析方法的 #資=ΓG1 ’純對應於分析對象諸之—分析對象片 應於其所欲分❹者提供對 步驟S209 ^ 列片段的基因序列資料。 料！20。該數學Hf；模型’ Μ 一背景序列片段資 入數學模型。在此，該預t免數風n學拉型或一使用者輸 且有象片段資料相同數量長度，且 =序=Γ、，背景序列片峨12〇。由於基因的 游序列中，通常只有一小片段 在分析上都可視為雜訊㈣，二= 即，^二序列資料來比較出特別突出的序列片段。亦 出分斤^12〇係用以消除雜訊資^ 刀析對象片&貢料1U)中過度表現的部份。 八;^^ S211’切吾“亥分析縣片段資料110以產生複數 刀析對象子片段資料131。 座生獲数 步驟奶2’切割該背景序列片段資料12〇以產生複數 __ 1〇 1326431 月景序列子片段資料]33。 可以使用滑動視窗（siidi 的程序’其令該滑動視窗的大小係為使仏定蝴割 第3圖顯示滑動視窗的切割方 窗寬度為L，滑動距離為d的 下來 ::切二？所示，依據滑動視窗首==二 Ί圍為點A和點c之間，其中點A到點 段2二滑動視窗向下游處滑動距離d，產生子片
ί為L Λ!，B和點D之間，其中點B到，點D的距 為L ’而點衫至丨丨^JL P«5^ J ] 的距離為4。同樣地，滑動禎窑五 3處:動距離d’產生子片段33,其範圍;點= 距㈣"^到點£的距離為[，而點C_D的 ㈣S231，依據該分析對象子片段資料⑶ 之分析對象特徵向量141。 座生對應 步驟S232,處理該背景序列子片段資料133，以產生 對應之该背景序列特徵向量143。 在此，上述特徵向量之產生，係可以計算分段模數 (:)的項目頻率（term叫咖⑼，並依據 it定該分析對象特一及該背』 以第4圖為例’說明上述特徵向量產生方法中分段模 =的項目頻率的計算。以第4圖所示之片段『aaattcg t例。當分段模數⑴為1時（1儒），計算得出，在 AAATTCG』這個片段裡，^贿的項目1，出現3次，
Client's Docket Mo. 〇950067tw TTsD〇ctoMO:09l2-09 丨 2-A5087!TWfl[送件版本)/aHcewu
Client's Docket Mo. 〇950067tw 11 1326431 項目‘丁，出現2次，項目s 其對應之項目頻率為：項項目‘G ’各出現1次。因此， ‘C，及項目‘G|A1典、、八為3,項目‘T，為2,項目 、 各為虽分段模數 2-mer的項目，AA，出a數⑴為2~(2-mer)， ‘⑶，各出現！次。因此，其=靡項目，AT，、‘TT，、‘TC，及 為2，項目，AT’、‘ττ,、％ J應之項目頻率為··項目’AA’ 項目的項目頻率則均二及^各為其他的2-贿 (一），3.二=目〇2分=數⑴為3時
各出現 i 二欠。因此，二L T、ATT，、‘TTC，及‘丁CG， ‘ATT，、‘TTC，及‘TCG:各:應之項目頻率為：項目‘AAT、 頻率則均為0。 為1，其他的her項目的項目 步驟S24 ’將該分析對象特徵向量141予以聚類、分 田，以產生對應之一分析對象特徵向量分佈狀態圖151， 2表現齡析對象特徵向4 141劃分而成之複數向量 、且以及母向1群組在該分析對象片段中的表現量。 上述程序係可以使用類神經網路（Neural Networks)之自我 組織圖分群（Self-〇rganizing Map Clustering)方法實現 之，其中該分析對象特徵向量分佈狀態圖151可以二 方式表現。 匕步驟S25 ’將該分析對象特徵向量分佈狀態圖ι51與 該背景序列特徵向量143做對映，將該分析對象特徵向量 分佈狀態圖151中該向量群組之該表現量與該背景序列 特徵向量143之差異大於一預定值者部份標示為過度表 現向量群組。 步驟S26 ’針對該過度表現向量群組ι61加以評分及
Client^ Docket No. 0950067tw TT's Docket N〇：0912-0912-A5087,TWf(iSiTO)/alicewu 1326431 排序。上述比較排序程序，係可以藉由計算該過度表現向 量群組161和該背景序列特徵向量143的相對表現量，並 計算該過度表現向量群組和該分析對象特徵向量之相對 表現量，並依據上述結果對該過度表現向量群組161評分 及排序。 在步驟S27中，依據上述評分排序的結果，篩選出包 含調控因子結合區域的該向量群組171。 雖然本發明已以較佳實施例揭露如上，然其並非用以 φ 限定本發明，任何熟悉此項技藝者，在不脫離本發明之精 神和範圍内，當可做些許更動與潤飾，因此本發明之保護 • 範圍當視後附之申請專利範圍所界定者為準。
Client's Docket No. 0950067tw 13 TT’s Docket No:0912-0912-A50871TWf(送件版本)/alicewu 1326431 【圖式簡單說明】 第1圖顯示依據本發明實施例之基因序列分析系統之 示意圖。 第2圖顯示依據本發明實施例之基因序列分析方法的 流程圖。 第3圖顯示滑動視窗的切割方式的示意圖。 第4圖顯示依據本發明實施例特徵向量產生方法之示 意圖。 【主要元件符號說明】 輸入介面11 ; 子片段產生器13 ; 聚類器15 ; 比較排序器17 ; 基因序列分析系統10 ; 背景序列產生器12 ; 特徵向量產生器14 ; 對映器16 ; 輸出介面18。
Client's Docket No. 0950067tw TT’s Docket No:0912-0912-A50871TWf(送件版本)/alicewu 14
Claims (1)
- 十、申請專利範圍： 段中的調控因: ’其用以找尋-分析對象片 分析對象。ί料二、接收對應於該分析對象片段之-數分析對象=段資料刀;副該分析對象片段資料以產生複 生職據該分析對象子片段資料產 群，以㈣類、分 表現該分析對象特徵向量t狀態圖，用以 每一而旦我,★ J里d刀而成之複數向量群組，以及 6里群組在該分析對象片段中的表現量； 預設的::;序t:象特徵向量分佈狀態圖與- 量群組之該表現量與該背景序列特 值者部份標示為過度表現向量 排序了2排ΐ11’針對該過度表現向量群組加以評分及 f序亚據以師選出包含調控因子結合區域的該向量群 二利範圍第1項所述之基因序列分析系統， ^3月厅、序列產生器，其依據一數學模型，產生一背 景f列片段資料’·其中該子片段產生器切割該背景序列片 段貧料以產生複數背景序列子片段資料，其中該特徵向量 產生器處理該背景序列子片段資料，以產生對應之景 序列特徵向量。 Client's Docket No. 0950067tw TT's Docket No：0912-09I2-A50871TWfl：^/K$)/a,icewu 15 其中所，因序列分析系統， 模型或1用者輸入數學：該數學模型為-預設數學 其中3項所述之基因序列分析系統， 生與該分析對：：ΐ ί ;L可夫模型(Mark。v modei)，其產 序列的垓背景序列片段資料。 、有隧機 5.如ΐ請專利範圍第丨項所述之基 其中該子片段產生器 j刀析糸統， 切宝古玄公姑料备u 使用/月動視由（shd!ng window) 段資料資料以產生複數之該分析對象子片 其二„5項所述之基因序列分析系統， 〇乂 ’月動視®的大小係為使用者指定。 盆中請專利範圍第1項所述之基因序列分析系統， 厂中㈣徵向量產生器計算分段模數(K_mer)的項目頻率 term frequency)，並依據該分段模數的項目 析對象特徵向量。 、午"疋該刀 ^如申請專利範圍第1項所述之基因序列分析系統， 其中該聚類器使用類神經網路(Neural Networks)之自我組 織圖分群（Self-〇rganizing Map clustedng)方法將該分析 對象特徵向量予以聚類、分群。 9·如申請專利範圍第1項所述之基因序列分析系統， 其中該比較排序器計算該過度表現向量群組和該背景序 列特徵向量的相對表現量，並計算該過度表現向量群組和 S亥分析對象特徵向量之相對表現量，並依據上述結果對該 過度表現向量群組評分及排序。 Client’s Docket No. 0950067tw TT’s Docket N〇:0912-0912-A50871TWf(送件版本Valicewu 1( 1326431 &1 〇.種基因序列分析方法，其用以找尋一分析對象 片1又中的调控因子結合區域（binding site)，該方法包括： ；接收對應於該分析對象片段之一分析對象片段資 料’並切割該分析對象片段資料以產生複數分析對象子片 段資料； ^依據該分析對象子片段資料產生對應之分析對象特 徵向量； 將該刀析對象特徵向量予以聚類、分群，以產生對應 之刀^對象特徵向量分佈狀態圖，用以表現該分析對象 特徵向量劃分而成之複數向量群組，以及 該分析對象片段中的表現量； 拜、、在 旦將°亥77析對象特徵向量分佈狀態圖與一預設的一背 3列特徵向量做對映，將該分析對象特徵向量分佈狀態 m該向量群組之該表現量與該背景序列特徵向量之差 -大於一預定值者部份標示為過度表現向量群組；以及 十^該過度表現向量群組加以評分及排序，並據以筛 k出包含調控因子結合區域的該向量群組。 ^如中請專利範圍第1()項所述之基因序列分析方 並切ί二含匕依據一數學模型，產生-背景序列片段資料， 資^ ==旦列序片1資料以產生複數f景序列子片段 序列二ί “序列子片段資料，以產生對⑽^ 法」專利範圍第U項所述之基因序列分析方 ί數學數學模型為—預餘――使用者輸 專利範㈣12項所述之基因序列分析方 S Docket N〇：09I2-09,2-A50871TWf(^^)/alicewu ,7 1326431 法，其中該預設數學模型為馬可夫模型（Markov model)， 其產生與該分析對象片段資料相同數量及長度，且具有一 隨機序列的該背景序列片段貢料。 14. 如申請專利範圍第10項所述之基因序列分析方 . 法，其使用滑動視窗（sliding window)切割該分析對象片 _ 段資料以產生複數之該分析對象子片段資料。 15. 如申請專利範圍第14項所述之基因序列分析方 法，其中該滑動視窗的大小係為使用者指定。 • 16.如申請專利範圍第10項所述之基因序列分析方 ' 法，其計算分段模數（K-mer)的項目頻率（term • frequency)，並依據該分段模數的項目頻率界定該分析對 象特徵向量。 17. 如申請專利範圍第10項所述之基因序列分析方 法，其使用類神經網路(Neural Networks)之自我組織圖分 群（Self-Organizing Map Clustering)方法將該分析對象特 徵向量予以聚類、分群。 18. 如申請專利範圍第10項所述之基因序列分析方 _ 法，其計算該過度表現向量群組和該背景序列特徵向量的 相對表現量，並計算該過度表現向量群組和該分析對象特 徵向量之相對表現量，並依據上述結果對該過度表現向量 群組評分及排序。 Client’s Docket No. 0950067tw TT’s Docket Mo:0912-0912-A50871 TWf(送件版本)/alicewu 18
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW96115338A TWI326431B (en) | 2007-04-30 | 2007-04-30 | Method and system of analyzing gene sequence |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW96115338A TWI326431B (en) | 2007-04-30 | 2007-04-30 | Method and system of analyzing gene sequence |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW200842735A TW200842735A (en) | 2008-11-01 |
| TWI326431B true TWI326431B (en) | 2010-06-21 |
Family
ID=44822099
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW96115338A TWI326431B (en) | 2007-04-30 | 2007-04-30 | Method and system of analyzing gene sequence |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI326431B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI420007B (zh) * | 2011-03-04 | 2013-12-21 | Hsueh Ting Chu | 基因測序序列的組合系統及方法 |
| TWI582631B (zh) * | 2015-11-20 | 2017-05-11 | 財團法人資訊工業策進會 | 用以分析細菌菌種之定序資料的系統及其方法 |
-
2007
- 2007-04-30 TW TW96115338A patent/TWI326431B/zh not_active IP Right Cessation
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI420007B (zh) * | 2011-03-04 | 2013-12-21 | Hsueh Ting Chu | 基因測序序列的組合系統及方法 |
| TWI582631B (zh) * | 2015-11-20 | 2017-05-11 | 財團法人資訊工業策進會 | 用以分析細菌菌種之定序資料的系統及其方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW200842735A (en) | 2008-11-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Roshan et al. | Probalign: multiple sequence alignment using partition function posterior probabilities | |
| Shahmuradov et al. | bTSSfinder: a novel tool for the prediction of promoters in cyanobacteria and Escherichia coli | |
| Medvedev et al. | Error correction of high-throughput sequencing datasets with non-uniform coverage | |
| AU2014340461B2 (en) | Systems and methods for using paired-end data in directed acyclic structure | |
| Ramírez-Sánchez et al. | Plant proteins are smaller because they are encoded by fewer exons than animal proteins | |
| Degroeve et al. | SpliceMachine: predicting splice sites from high-dimensional local context representations | |
| Katoh et al. | Recent developments in the MAFFT multiple sequence alignment program | |
| US9779205B2 (en) | Systems and methods for rational selection of context sequences and sequence templates | |
| Delport et al. | Datamonkey 2010: a suite of phylogenetic analysis tools for evolutionary biology | |
| CN104584022B (zh) | 一种生成生物标记签名的系统及方法 | |
| US20090076735A1 (en) | Method, system and software arrangement for comparative analysis and phylogeny with whole-genome optical maps | |
| AU2014340461A1 (en) | Systems and methods for using paired-end data in directed acyclic structure | |
| WO2017120128A1 (en) | Systems and methods for adaptive local alignment for graph genomes | |
| Morgado et al. | Computational tools for plant small RNA detection and categorization | |
| Oh et al. | Landscape of gene transposition–duplication within the Brassicaceae family | |
| Ritchie et al. | Mireval: a web tool for simple microRNA prediction in genome sequences | |
| Bruneau et al. | A clustering package for nucleotide sequences using Laplacian Eigenmaps and Gaussian Mixture Model | |
| Oğul et al. | A discriminative method for remote homology detection based on n-peptide compositions with reduced amino acid alphabets | |
| TWI326431B (en) | Method and system of analyzing gene sequence | |
| Opperdoes | Phylogenetic analysis using | |
| Middleton et al. | NoFold: RNA structure clustering without folding or alignment | |
| Hu et al. | A novel method for discovering local spatial clusters of genomic regions with functional relationships from DNA contact maps | |
| De Clercq et al. | Deep learning for classification of DNA functional sequences | |
| US20210158896A1 (en) | Information processing system, mutation detection system, storage medium, and information processing method | |
| CN109584954A (zh) | 一种基于多种群联合搜索的蛋白质构象空间优化方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| MM4A | Annulment or lapse of patent due to non-payment of fees |