Защо подравняване на множество последователности?

Съдържание:

Защо подравняване на множество последователности?
Защо подравняване на множество последователности?

Видео: Защо подравняване на множество последователности?

Видео: Защо подравняване на множество последователности?
Видео: Общий сбор в Антартике ► 5 Прохождение Resident Evil Code: Veronica (PS2) 2024, Ноември
Anonim

Множество подравнявания на последователности предоставят повече информация от подравняванията по двойки, тъй като показват запазени региони в семейството на протеини, които са от структурно и функционално значение.

Каква е целта на провеждането на подравняване на множество последователности?

Като се има предвид набор от биологични последователности (РНК, протеини, ДНК), целта на метода MSA е да се подравнят последователностите по начин, който ще отразява тяхната еволюционна, функционална или структурна връзка(Фигура 1).

Как подравняването на множество последователности помага в еволюцията?

Подравнените последователности се използват за много цели, включително оценка на моделите на дивергенция, селекция, темпото и начинът на еволюционна промяна, идентифициране на функционални елементи и ограничения и филогенетична история, само за да назовем няколко.

Последователно подравняване ли е?

Подравняване на множество последователности (MSA) е по принцип подравняването на три или повече биологични последователности (протеин или нуклеинова киселина) с подобна дължина От изхода може да се заключи хомологията и еволюционни връзки между изследваните последователности. … Много бърз инструмент за MSA, който се концентрира върху местните региони.

Как се генерира подравняването на множество последователности?

Алгоритъмът Clustal Omega произвежда множествено подравняване на последователности, като първо произвежда подравнения по двойки, използвайки метода на k-кортежа След това последователностите се групират с помощта на метода mBed. Това е последвано от метода за клъстериране на k-средни. След това направляващото дърво се конструира с помощта на метода UPGMA.

Препоръчано: