Bayesian Models for Multiple Local Sequence Alignment and Gibbs Sampling Strategies
多重局部序列比对的贝叶斯模型与 Gibbs 抽样策略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：摘要主题是分子序列比对与贝叶斯计算，没有对应所列计量细分领域的直接证据。
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…
多重局部序列比对的贝叶斯模型与 Gibbs 抽样策略
- 研究问题
- 蛋白质或核酸同源序列因突变和观测错误而错位时，如何为局部序列比对建立贝叶斯模型并评估其显著性？
- 方法与思路
- 作者为已有 Gibbs 抽样比对算法建立完整贝叶斯基础，提出放宽限制的扩展，并用秩检验评估比对显著性。
- 材料陈述的贡献
- 摘要称扩展可放宽两项重要限制，并以二核苷酸结合蛋白为例，预测该蛋白集合中数十个成员的结合片段。
- 阅读关注点
- 应核对比对模型、先验与抽样更新，查明所放宽的两项限制，并检查秩检验及结合片段预测的验证方式。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；两项限制及预测验证结果未说明，不能将预测片段视为已实验确认。
原文摘要
A wealth of data concerning life's basic molecules, proteins and nucleic acids, has emerged from the biotechnology revolution. The human genome project has accelerated the growth of these data. Multiple observations of homologous protein or nucleic acid sequences from different organisms are often available. But because mutations and sequence errors misalign these data, multiple sequence alignment has become an essential and valuable tool for understanding structures and functions of these molecules. A recently developed Gibbs sampling algorithm has been applied with substantial advantage in this setting. In this article we develop a full Bayesian foundation for this algorithm and present extensions that permit relaxation of two important restrictions. We also present a rank test for the assessment of the significance of multiple sequence alignment. As an example, we study the set of dinucleotide binding proteins and predict binding segments for dozens of its members.