STEME

Nagsimula ang proyekto STEME buhay bilang isang pagtatantya sa pag-asa-Maximisation algorithm para sa uri ng modelo na ginagamit sa mga paksa finders tulad ng Meme.
STEME & rsquo; s em na pagtatantiya ay nagpapatakbo ng isang order ng magnitude na mas mabilis kaysa sa Meme pagpapatupad para sa mga tipikal na setting ng parameter. STEME binuo na ngayon sa isang ganap na nasimulan paksa tagahanap sa sarili nitong karapatan.
Bakit gamitin STEME?
Subok na paksa diskarte sa pasiya
STEME ay batay sa sinubukan-at-subok Meme algorithm. Meme ay isa sa mga pinaka-mature at tanyag na paksa finders. Ito ay isa sa mga nangungunang performers sa Tompa et al & rsquo;. Benchmark paghahambing s ng paksa finders.
Idinisenyo para sa malaking hanay ng data
STEME ay dinisenyo upang magamit sa uri ng malaking hanay ng data ay karaniwang binuo ng modernong biological mga eksperimento. STEME ay nasubok sa input sa sampu-sampung megabases, ngunit walang dahilan kung bakit ito ay hindi dapat gamitin sa mas malaking hanay ng data.
Mabilis
STEME ay mabilis. Karaniwan paksa finders magkaroon ng isang runtime na lumalaki mabilis sa laki ng input. Dahil sa STEME & rsquo; s paggamit ng suffix puno nito ay hindi magdusa ang problemang ito. STEME nagbibigay ng pagpipilian upang kontrolin ang runtime sa gayon ay kumokontrol sa user kung gaano katagal ang mga ito ay inihanda upang maghintay para sa mga resulta.
Flexible na paksa ng mga modelo
Maraming mga paksa finders (lalo na mabilis enumerative paksa finders) gamitin ang pinagkasunduan mga pagkakasunud-sunod bilang mga modelo ng may-bisang site. Ang mga ito ay hindi bilang nababaluktot bilang PWMs na STEME paggamit at hindi maaaring makuha ang parehong hanay ng mga motif bilang PWMs.
Madaling gamitin
STEME gumagawa ng output sa Meme & rsquo; na ginagawang mas madaling gamitin sa sa ibaba ng agos tool s mahusay na itinatag na format. STEME & rsquo; s output ay nasubok sa mga tool mula Meme, BioPython at BioPerl.
Tumpak na mga kalkulasyon ng kabuluhan
STEME & rsquo; kalkulasyon ng kahalagahang pang mga Idinisenyo sa malaking hanay ng data sa isip. Finders paksa na hindi pa isinulat para sa malaking hanay ng data ay madalas na di-wastong na magkamali ng kalkula ang kahalagahan ng motif nila. Ito ay isang partikular mapaglalang problema at mahirap para sa user upang makilala.
Magagamit bilang isang serbisyo sa web
STEME maaaring i-install nang lokal sa iyong machine o maaaring tumakbo sa buong web sa aming mga server.
Documentation Package

Mga Kinakailangan :

• Python