Indexé dans
- Base de données des revues académiques
- Ouvrir la porte J
- Genamics JournalSeek
- JournalTOCs
- RechercheBible
- Répertoire des périodiques d'Ulrich
- Bibliothèque des revues électroniques
- RechercheRef
- Université Hamdard
- EBSCO AZ
- OCLC - WorldCat
- érudit
- Catalogue en ligne SWB
- Bibliothèque virtuelle de biologie (vifabio)
- Publions
- MIAR
- Fondation genevoise pour la formation et la recherche médicales
- Pub européen
- Google Scholar
Liens utiles
Partager cette page
Dépliant de journal
Revues en libre accès
- Agriculture et aquaculture
- Alimentation et nutrition
- Biochimie
- Bioinformatique et biologie des systèmes
- Business & Management
- Chimie
- Génétique et biologie moléculaire
- Immunologie & Microbiologie
- Ingénierie
- La science des matériaux
- Neurosciences & Psychologie
- Science générale
- Sciences cliniques
- Sciences environnementales
- Sciences médicales
- Sciences pharmaceutiques
- Sciences vétérinaires
- Soins infirmiers et soins de santé
Abstrait
Prédiction de la structure secondaire des protéines à l'aide d'un échantillonnage séquentiel déterministe
Kuo-ching Liang et Xiaodong Wang
La prédiction de la structure secondaire d'une protéine à partir de sa séquence d'acides aminés est une étape importante vers la prédiction de sa structure tridimensionnelle. Alors que de nombreux algorithmes existants utilisent la similarité et l'homologie avec des protéines ayant des structures secondaires connues dans la banque de données sur les protéines, d'autres protéines ayant des mesures de similarité faibles nécessitent une approche à séquence unique pour la découverte de leur structure secondaire. Dans cet article, nous proposons un algorithme basé sur la méthode d'échantillonnage séquentiel déterministe et le modèle de Markov caché pour la prédiction de la structure secondaire des protéines à séquence unique. Les prédictions sont faites sur la base d'observations fenêtrées et par la moyenne pondérée des conformations possibles dans la fenêtre d'observation. L'algorithme proposé s'avère plus performant sur un ensemble de données réelles que l'algorithme à séquence unique existant.