פרויקט STEME התחיל את חיי כקירוב לאלגוריתם הציפייה-Maximisation לסוג של מודל המשמש במד מוטיב כגון מם.
STEME & rsquo; קירוב EM של פועל בסדר גודל יותר מהר מאשר יישום מם להגדרות פרמטר טיפוסיים. STEME עכשיו התפתח מאתר מוטיב באופן מלא לכל דבר בפני עצמו.
למה להשתמש STEME?
טכניקות ממצא מוטיב מוכחות
STEME מבוסס על אלגוריתם מם נבדק ניסה-ו. מם היא אחד מד המוטיב הבוגר והפופולרי ביותר. זה היה אחד מהשחקנים המובילים בTompa et al & rsquo;. השוואת benchmark של של מד מוטיב.
עוצב עבור ערכות נתונים גדולות
STEME נועד לשמש לסוג של ערכות נתונים גדולות שנוצרו בדרך כלל על ידי ניסויים ביולוגיים מודרניים. STEME נבדק על קלט בעשרות megabases, אבל אין שום סיבה למה זה לא אמור לשמש בערכות נתונים גדולות יותר.
מהיר
STEME הוא מהיר. בדרך כלל יש לי מד מוטיב זמן ריצה שגדלה במהירות עם הגודל של הקלט. בשל STEME & rsquo; s שימוש בעצי סיומת זה לא סובל את הבעיה הזו. STEME מספק אפשרויות לשליטה בזמן הריצה, כך שהמשתמש שולט כמה זמן הם מוכנים לחכות לתוצאות.
מודלים מוטיב גמישים
מד מוטיב רב (מד מוטיב enumerative מהיר במיוחד) להשתמש רצפי קונסנסוס כמודלים של אתרי קישור. אלה אינם גמישים כמו PWMs שSTEME שימושים ולא יכול ללכוד את אותו הטווח של מוטיבים כPWMs.
קל לשימוש
STEME מפיק פלט במם & rsquo; פורמט מבוסס היטב זה מה שהופך אותו קל לשימוש בכלים במורד הזרם. STEME & rsquo; התפוקה של נבדקה עם כלים ממם, BioPython וBioPerl.
חישובי משמעות מדויקים
STEME & rsquo; חישובי משמעות של מעוצבים עם ערכות נתונים גדולות במוח. מד מוטיב שלא היה נכתב עבור ערכות נתונים גדולות יכול לעתים קרובות קשה לטעות בחשבון את המשמעות של המוטיבים שהם מוצאים. זו בעיה במיוחד חתרנית וקשה למשתמש לזהות.
זמין כשירות אינטרנט
ניתן להתקין STEME באופן מקומי על המחשב שלך או שניתן לדרוס את האינטרנט בשרתים שלנו.
תיעוד חבילה
דרישות :
- Python
תגובות לא נמצא