STEME

Proyek STEME mulai hidup sebagai pendekatan dengan algoritma harapan-Maximisation untuk jenis model yang digunakan dalam motif pencari seperti MEME.
STEME & rsquo; s EM pendekatan menjalankan urutan besarnya lebih cepat dari pelaksanaan MEME untuk pengaturan parameter yang khas. STEME kini telah berkembang menjadi motif finder yang lengkap dalam dirinya sendiri.
Mengapa menggunakan STEME?
Terbukti teknik temuan motif
STEME didasarkan pada algoritma MEME mencoba-dan-teruji. MEME adalah salah satu yang paling matang dan populer pencari motif. Itu salah satu pemain top di Tompa et al & rsquo;. S perbandingan benchmark pencari motif.
Dirancang untuk set data yang besar
STEME dirancang untuk digunakan pada jenis set data yang besar biasanya dihasilkan oleh eksperimen biologi modern. STEME telah diuji pada input dalam puluhan megabases, tetapi tidak ada alasan mengapa hal itu tidak boleh digunakan pada set data yang lebih besar.
Cepat
STEME cepat. Biasanya pencari motif memiliki runtime yang tumbuh dengan cepat dengan ukuran input. Karena STEME & rsquo; s penggunaan pohon akhiran tidak mengalami masalah ini. STEME menyediakan opsi untuk mengendalikan runtime sehingga pengguna mengontrol berapa lama mereka siap untuk menunggu hasil.
Model motif yang fleksibel
Banyak motif pencari (terutama cepat enumerative pencari motif) menggunakan urutan konsensus sebagai model situs mengikat. Ini tidak fleksibel sebagai PWMs yang STEME menggunakan dan tidak dapat menangkap kisaran yang sama motif sebagai PWMs.
Mudah digunakan
STEME menghasilkan output dalam MEME & rsquo; s mapan Format sehingga mudah untuk digunakan dalam alat hilir. STEME & rsquo; s keluaran telah diuji dengan alat dari MEME, BioPython dan BioPerl.
Perhitungan signifikansi akurat
STEME & rsquo; s perhitungan signifikansi dirancang dengan set data yang besar dalam pikiran. Motif pencari yang belum ditulis untuk set data yang besar sering dapat buruk salah perhitungan pentingnya motif yang mereka temukan. Ini adalah masalah yang sangat berbahaya dan sulit bagi pengguna untuk mengidentifikasi.
Tersedia sebagai layanan web
STEME dapat diinstal secara lokal pada komputer Anda atau dapat dijalankan melalui web di server kami.
Dokumentasi paket

Persyaratan :

• Python