এটি হল tigr-build-icm কমান্ড যা আমাদের একাধিক বিনামূল্যের অনলাইন ওয়ার্কস্টেশন যেমন উবুন্টু অনলাইন, ফেডোরা অনলাইন, উইন্ডোজ অনলাইন এমুলেটর বা MAC OS অনলাইন এমুলেটর ব্যবহার করে OnWorks ফ্রি হোস্টিং প্রদানকারীতে চালানো যেতে পারে।
কার্যক্রম:
NAME এর
টাইগ্র-গ্লিমার - একটি ইন্টারপোলেটেড মার্কভ মডেল (আইএমএম) সিয়েটস এবং আউটপুট
সাইনোপিসিস
tigr-build-icm
বর্ণনাঃ
Program build-icm.c বর্ণনা অনুযায়ী একটি ইন্টারপোলেটেড মার্কভ মডেল (IMM) তৈরি করে এবং আউটপুট করে
কাগজে AL Delcher, D. Harmon, S. Kasif, O. White, এবং SL Salzberg. উন্নত
গ্লিমার সহ মাইক্রোবিয়াল জিন সনাক্তকরণ। নিউক্লিক অ্যাসিড গবেষণা, 1999, প্রেসে।
আপনি যদি কোনো প্রকাশিত গবেষণার অংশ হিসেবে সিস্টেম ব্যবহার করেন তাহলে অনুগ্রহ করে এই কাগজটি উল্লেখ করুন।
ইনপুট কমান্ড লাইন নামক ফাইল থেকে আসে. বিন্যাস প্রতি একটি স্ট্রিং হওয়া উচিত
লাইন প্রতিটি লাইনে একটি আইডি স্ট্রিং রয়েছে যার পরে সাদা স্থান এবং ক্রম নিজেই অনুসরণ করে।
স্ক্রিপ্ট রান-গ্লিমার3 'এক্সট্রাক্ট' ব্যবহার করে সঠিক বিন্যাসে একটি ইনপুট ফাইল তৈরি করে
প্রোগ্রাম.
IMM নিম্নলিখিতভাবে তৈরি করা হয়েছে: একটি প্রদত্ত প্রসঙ্গের জন্য, acgtta বলুন, আমরা অনুমান করতে চাই
পরবর্তী চরিত্রের সম্ভাব্যতা বন্টন। আমরা এটি একটি লিনিয়ার হিসাবে করব
এই প্রেক্ষাপট এবং এর সমস্ত কিছুর জন্য পর্যবেক্ষিত সম্ভাব্যতা বিতরণের সমন্বয়
প্রত্যয়, যেমন, cgtta, gtta, tta, ta, a এবং খালি। পর্যবেক্ষিত বিতরণ দ্বারা আমি বলতে চাচ্ছি
প্রশিক্ষণ সেটে এই স্ট্রিংগুলির সংঘটনের সংখ্যা গণনা করে। রৈখিক
সংমিশ্রণ সম্ভাব্যতার একটি সেট দ্বারা নির্ধারিত হয়, ল্যাম্বডা, প্রতিটি প্রসঙ্গ স্ট্রিংয়ের জন্য একটি।
প্রসঙ্গ acgtta জন্য রৈখিক সমন্বয় সহগ হল:
lambda (acgtta) (1 - lambda (acgtta)) x lambda (cgtta) (1 - lambda (acgtta)) x (1 - lambda)
(cgtta)) x lambda (gtta) (1 - lambda (acgtta)) x (1 - lambda (cgtta)) x (1 - lambda)
(gtta)) x lambda (tta) (1 - lambda (acgtta)) x (1 - lambda (cgtta)) x (1 - lambda (gtta))
x (1 - ল্যাম্বদা (টা)) x (1 - ল্যাম্বদা (টা)) x (1 - ল্যাম্বদা (ক))
আমরা প্রতিটি প্রসঙ্গের জন্য ল্যাম্বডা মানগুলি নিম্নরূপ গণনা করি: - যদি পর্যবেক্ষণের সংখ্যা
প্রশিক্ষণ সেটে হল >= ধ্রুবক SAMPLE_SIZE_BOUND, সেই প্রসঙ্গের জন্য ল্যাম্বডা হল
1.0 - অন্যথায়, এই প্রসঙ্গের তুলনায় পর্যবেক্ষণের উপর একটি চি-স্কোয়ার পরীক্ষা করুন
এক-অক্ষরের সংক্ষিপ্ত প্রত্যয় প্রসঙ্গের জন্য অনুমান করা বন্টন। যদি চি-স্কয়ার
তাত্পর্য < 0.5, এই প্রসঙ্গের জন্য ল্যাম্বডাকে 0.0 এ সেট করুন অন্যথায় এর জন্য ল্যাম্বডা সেট করুন
এই প্রেক্ষাপটে: (চি-স্কয়ারের তাৎপর্য) x (# পর্যবেক্ষণ) / SAMPLE_WEIGHT
প্রোগ্রাম চালানোর জন্য:
বিল্ড-আইসিএম ট্রেন.মডেল
এটি train.seq-এ ট্রেনিং ডেটা ব্যবহার করে file.model তৈরি করবে, যার মধ্যে রয়েছে
আপনার IMM
onworks.net পরিষেবা ব্যবহার করে অনলাইনে tigr-build-icm ব্যবহার করুন
