A Bayesian Insertion/Deletion Algorithm for Distant Protein Motif Searching via Entropy Filtering
基于熵过滤的远缘蛋白质基序搜索贝叶斯插入与删除算法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究蛋白质序列比对算法，与所列经济计量细分方向没有明确对应关系。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
基于熵过滤的远缘蛋白质基序搜索贝叶斯插入与删除算法
- 研究问题
- 如何在多条蛋白质序列中搜索允许插入和删除的基序，并缓解直接扩展无缺口 Gibbs 抽样算法后配置空间增大的收敛困难？
- 方法与思路
- 作者先用熵过滤寻找较好的比对起点，暂不处理插入删除模式，再联合生成插入删除模式与基序位置，得到带缺口的多序列比对。
- 材料陈述的贡献
- 摘要称两阶段方法在两类蛋白质数据上较无缺口比对有明显改善，并通过起点筛选应对收敛困难；未给出量化结果。
- 阅读关注点
- 应核对熵过滤准则、贝叶斯模型与先验、第二阶段抽样机制和收敛诊断，以及两类数据中的比较基线、评价指标和计算成本。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；改善幅度与收敛证据未提供，不能推广到任意蛋白质数据或宣称全局收敛。
原文摘要
Bayesian models have been developed that find ungapped motifs in multiple protein sequences. In this article, we extend the model to allow for deletions and insertions in motifs. Direct generalization of the ungapped algorithm, based on Gibbs sampling, proved unsuccessful because the configuration space became much larger. To alleviate the convergence difficulty, a two-stage procedure is introduced. At the first stage, we develop a method called entropy filtering, which quickly searchs “good” starting points for the alignment approach without the concern of deletion/insertion patterns. At the second stage, we switch to an algorithm that generates both a random vector that represents insertion/deletion patterns and a random variable of motif locations. After the two steps, gapped-motif alignments are obtained for multiple sequences. When applied to datasets that consist of helix–loop–helix proteins and high mobility group proteins, respectively, our methods show great improvements over those that produce ungapped alignments.