STEME

Het STEME project begon het leven als een benadering van de Verwachting-maximalisatie-algoritme voor het type model dat in motief vinders zoals MEME.
STEME & rsquo; s EM aanpassing loopt een orde van grootte sneller dan de MEME implementatie voor typische parameterinstellingen. STEME is inmiddels uitgegroeid tot een volwaardig motief finder in zijn eigen recht.
Waarom STEME gebruiken?
Bewezen motief bevinding technieken
STEME is gebaseerd op de beproefde en geteste MEME-algoritme. MEME is een van de meest volwassen en populair motief vinders. Het was een van de top performers in Tompa et al & rsquo;. S benchmarkvergelijking van motief vinders.
Ontworpen voor grote datasets
STEME is ontworpen voor gebruik van het type grote datasets gewoonlijk gegenereerd door moderne biologische experimenten. STEME is getest op de input in de tientallen megabasen, maar er is geen reden waarom het niet moet worden gebruikt op grotere datasets.
Snel
STEME is snel. Typisch motief vinders hebben een runtime die snel groeit de omvang van de invoer. Vanwege STEME & rsquo; s gebruik van achtervoegsel bomen het niet dit probleem te lijden. STEME biedt opties om de runtime te controleren, zodat de gebruiker bepaalt hoe lang ze zijn bereid om te wachten op de resultaten.
Flexibele motief modellen
Veel motief vinders (vooral snel enumeratieve motief vinders) gebruiken consensus sequenties als modellen van bindingsplaatsen. Deze zijn niet zo flexibel als de PWMs die gebruik STEME en kan dezelfde reeks motieven als PWMs niet vast te leggen.
Gemakkelijk te gebruiken
STEME produceert output in MEME & rsquo; s goed ingeburgerd formaat waardoor het gemakkelijk om te gebruiken in downstream gereedschappen. STEME & rsquo; s-uitgang is getest met gereedschappen uit meme, BioPython en BioPerl.
Nauwkeurige betekenis berekeningen
STEME & rsquo; s betekenis berekeningen zijn ontworpen met grote datasets in het achterhoofd. Motief vinders die niet zijn geschreven voor grote datasets kunnen vaak slecht misrekenen de betekenis van de motieven vinden ze. Dit is een bijzonder probleem verraderlijk en moeilijk voor de gebruiker te identificeren.
Beschikbaar als een webservice
STEME kan lokaal worden geïnstalleerd op uw machine of kan via het web op onze servers worden uitgevoerd.
Pakket Documentatie

Eisen

• Python