Information about local protein seq

Information about local protein sequence motifs is very important to the analysis of biologically significant conserved regions of protein sequences. These conserved regions can potentially determine the diverse conformation and activities of proteins. In this work, recurring sequence motifs of proteins are explored with an improved K-means clustering algorithm on a new dataset. The structural similarity of these recurring sequence clusters to produce sequence motifs is studied in order to evaluate the relationship between sequence motifs and their structures. To the best of our knowledge, the dataset used by our research is the most updated dataset among similar studies for sequence motifs. A new greedy initialization method for the K-means algorithm is proposed to improve traditional K-means clustering techniques. The new initialization method tries to choose suitable initial points, which are well separated and have the potential to form high-quality clusters. Our experiments indicate that the improved K-means algorithm satisfactorily increases the percentage of sequence segments belonging to clusters with high structural similarity. Careful comparison of sequence motifs obtained by the improved and traditional algorithms also suggests that the improved K-means clustering algorithm may discover some relatively weak and subtle sequence motifs, which are undetectable by the traditional K-means algorithms. Many biochemical tests reported in the literature show that these sequence motifs are biologically meaningful. Experimental results also indicate that the improved K-means algorithm generates more detailed sequence motifs representing common structures than previous research. Furthermore, these motifs are universally conserved sequence patterns across protein families, overcoming some weak points of other popular sequence motifs. The satisfactory result of the experiment suggests that this new K-means algorithm may be applied to other areas of bioinformatics research in order to explore the underlying relationships between data samples more effectively.

Results (Thai) 1:

ข้อมูลเกี่ยวกับลวดลายลำดับโปรตีนภายในเป็นสิ่งสำคัญมากเพื่อการวิเคราะห์ทางชีวภาพสำคัญภัตภูมิภาคลำดับโปรตีนที่ พื้นที่อนุรักษ์เหล่านี้อาจสามารถกำหนดโครงสร้างที่หลากหลายและกิจกรรมของโปรตีน ในงานนี้ ซ้ำ ๆ ลำดับของโปรตีนที่อุดม ด้วยอัลกอริธึม clustering ถึงการปรับปรุงบนชุดข้อมูลใหม่ มีศึกษาโครงสร้างคล้ายคลึงของคลัสเตอร์ลำดับเหล่านี้เกิดซ้ำในการผลิตลวดลายลำดับเพื่อประเมินความสัมพันธ์ระหว่างแบบลำดับและโครงสร้างของพวกเขา ที่สุดของความรู้ของเรา ชุดข้อมูลที่ใช้ โดยการวิจัยของเราเป็นชุดข้อมูลในการศึกษาคล้ายกันสำหรับลำดับลายปรับปรุงมาก เริ่มโลภวิธีการใหม่ในอัลกอริทึมถึงจะเสนอการปรับปรุงเทคนิค clustering ดั้งเดิมถึง วิธีการเตรียมใช้งานใหม่พยายามเลือกจุดเริ่มต้นเหมาะสม ซึ่งจะแยกได้ดี และมีศักยภาพในรูปแบบคลัสเตอร์คุณภาพสูง การทดลองของเราบ่งชี้ว่า อัลกอริทึมถึงปรับเพิ่มเปอร์เซ็นต์ของลำดับกลุ่มของคลัสเตอร์ มีความคล้ายคลึงกันโครงสร้างสูงน่าพอใจ ระวังเปรียบเทียบลวดลายลำดับได้ โดยขั้นตอนวิธีการปรับปรุง และแบบดั้งเดิมยังแสดงให้เห็นว่า วิธีการ clustering ถึงดีขึ้นอาจพบบางลำดับค่อนข้างอ่อนแอ และบอบบางมีลวดลาย ซึ่งเป็น undetectable โดยอัลกอริทึมถึงดั้งเดิม การทดสอบทางชีวเคมีหลายรายงานในวรรณคดีแสดงว่า ลวดลายของลำดับเหล่านี้มีความหมายทางชีวภาพ ผลการทดลองแสดงว่า การถึงขั้นตอนวิธีสร้างลายลำดับรายละเอียดแสดงถึงโครงสร้างทั่วไปกว่าผลงานวิจัย นอกจากนี้ ลวดลายเหล่านี้มีรูปแบบอนุรักษ์สากลลำดับตระกูลโปรตีน การเอาชนะบางจุดอ่อนของลวดลายนิยมลำดับอื่น ๆ พอใจผลการทดลองแสดงให้เห็นว่า อัลกอริทึมนี้ถึงใหม่อาจสามารถใช้กับพื้นที่อื่น ๆ ของ bioinformatics วิจัยเพื่อสำรวจความสัมพันธ์พื้นฐานระหว่างตัวอย่างข้อมูลได้อย่างมีประสิทธิภาพ

Results (Thai) 2:

ข้อมูลเกี่ยวกับท้องถิ่นลวดลายลำดับโปรตีนเป็นสิ่งสำคัญมากในการวิเคราะห์ของภูมิภาคอนุรักษ์อย่างมีนัยสำคัญทางชีวภาพของลำดับโปรตีน ภูมิภาคป่าสงวนเหล่านี้อาจจะสามารถกำหนดรูปแบบที่หลากหลายและกิจกรรมของโปรตีน ในงานนี้ที่เกิดขึ้นลวดลายลำดับของโปรตีนที่มีการสำรวจที่มีการปรับปรุง K-วิธีการจัดกลุ่มอัลกอริทึมในชุดข้อมูลใหม่ ความคล้ายคลึงกันของโครงสร้างของเหล่านี้ที่เกิดขึ้นกลุ่มลำดับการผลิตลวดลายตามลำดับคือการศึกษาเพื่อประเมินความสัมพันธ์ระหว่างลวดลายลำดับและโครงสร้างของพวกเขา ที่ดีที่สุดของความรู้ของเราชุดที่ใช้โดยการวิจัยของเราเป็นชุดข้อมูลที่ปรับปรุงมากที่สุดในหมู่การศึกษาที่คล้ายกันสำหรับลวดลายลำดับ วิธีการเริ่มต้นใหม่โลภ K-หมายถึงขั้นตอนวิธีการเสนอให้ปรับปรุงแบบดั้งเดิม K-หมายถึงเทคนิคการจัดกลุ่ม วิธีการเริ่มต้นใหม่พยายามที่จะเลือกจุดเริ่มต้นที่เหมาะสมซึ่งจะถูกแยกออกเป็นอย่างดีและมีศักยภาพที่จะสร้างกลุ่มที่มีคุณภาพสูง การทดลองของเราแสดงให้เห็นว่าอัลกอริทึม K-วิธีการที่ดีขึ้นอย่างน่าพอใจเพิ่มขึ้นร้อยละของกลุ่มลำดับที่อยู่ในกลุ่มที่มีความคล้ายคลึงกันของโครงสร้างสูง เปรียบเทียบระวังของลวดลายลำดับที่ได้รับจากขั้นตอนวิธีการที่ดีขึ้นและแบบดั้งเดิมยังแสดงให้เห็นว่าการปรับปรุง K-วิธีการจัดกลุ่มอัลกอริทึมอาจค้นพบบางอย่างที่ค่อนข้างอ่อนแอและลำดับที่ลึกซึ้งลวดลายซึ่งเป็นจิตวิทยาแบบดั้งเดิม K หมายถึงขั้นตอนวิธีการ การทดสอบทางชีวเคมีหลายรายงานในวรรณคดีเหล่านี้แสดงให้เห็นว่าลวดลายลำดับมีความหมายทางชีวภาพ ผลการทดลองยังระบุว่าอัลกอริทึม K-วิธีการที่ดีขึ้นสร้างรายละเอียดเพิ่มเติมลวดลายลำดับคิดเป็นโครงสร้างที่พบบ่อยกว่าวิจัยก่อนหน้านี้ นอกจากลวดลายเหล่านี้จะอนุรักษ์สากลรูปแบบลำดับข้ามตระกูลของโปรตีนเอาชนะบางจุดที่อ่อนแอของอื่น ๆ ที่สำคัญลำดับที่นิยม ผลที่น่าพอใจของการทดลองแสดงให้เห็นว่าเรื่องนี้ใหม่ K-หมายถึงขั้นตอนวิธีการอาจจะถูกนำไปใช้กับพื้นที่อื่น ๆ ของการวิจัยชีวสารสนเทศเพื่อสำรวจความสัมพันธ์พื้นฐานระหว่างตัวอย่างข้อมูลได้อย่างมีประสิทธิภาพมากขึ้น

Results (Thai) 3:

ข้อมูลเกี่ยวกับท้องถิ่นและลำดับโปรตีนมีความสำคัญต่อการวิเคราะห์ทางชีวภาพในบริเวณอนุรักษ์ของลำดับโปรตีน เหล่านี้บริเวณอนุรักษ์สามารถกำหนดโครงสร้างและกิจกรรมที่หลากหลายของโปรตีน ในงานนี้ ประดับลวดลายของโปรตีนมีการสํารวจที่มีการปรับปรุงอัลกอริทึมการจัดกลุ่ม k-means ชุดข้อมูลใหม่ ความคล้ายคลึงกันของโครงสร้างเหล่านี้ไม่มีลำดับกลุ่มผลิตลำดับสำคัญคือศึกษาเพื่อประเมินความสัมพันธ์ระหว่างลวดลายลำดับและโครงสร้างของพวกเขา เพื่อที่ดีที่สุดของความรู้ของเรา ข้อมูลที่ใช้โดยการวิจัยของเราคือการปรับปรุงมากที่สุดของข้อมูลการศึกษาที่คล้ายกันลำดับลวดลาย ใหม่โลภเริ่มต้นวิธีการที่ k-means นี้นำเสนอการปรับปรุงแบบดั้งเดิม k-means ข้อมูลเทคนิค วิธีการเริ่มต้นใหม่ พยายามเลือกจุดเริ่มต้นที่เหมาะสม ซึ่งจะแยกจากกัน และมีศักยภาพในการสร้างกลุ่มคุณภาพสูง การทดลองของเราบ่งชี้ว่า k-means ขั้นตอนวิธีการปรับปรุงสามารถเพิ่มเปอร์เซ็นต์ของลำดับส่วนของกลุ่มที่มีโครงสร้างคล้ายคลึงกัน การเปรียบเทียบลำดับด้วยลวดลายที่ได้จากการปรับปรุงและขั้นตอนวิธีแบบดั้งเดิมยังชี้ให้เห็นว่า การปรับปรุง k-means การจัดกลุ่มขั้นตอนวิธีอาจพบบางส่วนที่ค่อนข้างอ่อนแอและบอบบาง ลำดับลวดลายซึ่งเป็น undetectable โดยขั้นตอนวิธีแบบดั้งเดิม k-means . หลายทางชีวเคมีทดสอบรายงานในวรรณคดีที่แสดงลวดลายลำดับเหล่านี้จะได้มีความหมาย ผลการทดลองยังพบว่าขั้นตอนวิธีที่สร้างขึ้น k-means รายละเอียดลวดลายแทนลำดับโครงสร้างทั่วไปกว่างานวิจัยก่อนหน้านี้ นอกจากนี้ ลวดลายเหล่านี้จะสามารถอนุรักษ์รูปแบบข้ามลำดับโปรตีนในครอบครัว , การเอาชนะบางจุดที่อ่อนแอของอื่น ๆเช่นลำดับความนิยม ผลการทดลองพบว่าเป็นที่พอใจของอัลกอริทึมนี้ k-means ใหม่อาจจะใช้กับพื้นที่อื่น ๆของการวิจัยชีวสารสนเทศเพื่อสำรวจความสัมพันธ์ระหว่างข้อมูลพื้นฐานอย่างมีประสิทธิภาพ