Parameter Advising for Multiple Sequence Alignment

این کتاب رویکرد جدیدی به نام مشاوره پارامتر را برای یافتن یک تنظیم پارامتر برای یک ردیف‌کننده دنباله ایجاد می‌کند که تراز با کیفیتی از مجموعه معینی از توالی‌های ورودی را به دست می‌دهد. در این چارچوب، یک پارامتر مشاور رویه‌ای است که به طور خودکار یک تنظیم پارامتر را برای ورودی انتخاب می‌کند و دارای دو جزء اصلی است:

(الف) مجموعه </ i>از گزینه های پارامتر در نظر گرفته شده توسط مشاور، و

(b) برآورنده دقت تراز مورد استفاده برای رتبه بندی ترازهای تولید شده توسط تراز کننده.

روشن. با جفت کردن یک مشاور پارامتر با یک تراز، هنگامی که مشاور در مرحله یادگیری آموزش دید، کاربر به سادگی توالی هایی را برای تراز کردن وارد می کند و یک تراز خروجی را از تراز کننده دریافت می کند، جایی که مشاور به طور خودکار تنظیمات پارامتر را انتخاب کرده است.

< p> فصل ها ابتدا مبانی مشاوره پارامتری را بیان می کنند و سپس کاربردها و توسعه های مشاوره را پوشش می دهند. محتوا

• فرمول بندی های توصیه پارامتر و پیچیدگی محاسباتی آنها را بررسی می کند،

• روش هایی را برای یادگیری برآورنده های دقت خوب توسعه می دهد،

• الگوریتم‌های تقریبی را برای یافتن مجموعه‌های خوب گزینه‌های پارامتر ارائه می‌کند و

• اجرای نرم‌افزار را ارزیابی می‌کند و توصیه می‌کند که عملکرد خوبی دارند. بر روی داده‌های بیولوژیکی واقعی.

همچنین کاربردهایی از توصیه‌های پارامتر برای

• هم‌ترازی مجدد محلی تطبیقی مورد بررسی قرار گرفته‌اند، که در آن مشاوره در مناطق محلی دنباله‌ها انجام می‌شود. به طور خودکار با نرخ های مختلف جهش تطبیق می یابد، و

• هم ترازی گروه، که در آن توصیه به مجموعه ای از هم ترازها اعمال می شود تا به طور موثر تراز کننده جدیدی با کیفیت بالاتر نسبت به ترازهای منفرد به دست آید. ensemble.

این کتاب با ارائه رهنمودهای آینده در مشاوره تحقیقاتی به پایان می رسد.

This book develops a new approach called parameter advising for finding a parameter setting for a sequence aligner that yields a quality alignment of a given set of input sequences. In this framework, a parameter advisor is a procedure that automatically chooses a parameter setting for the input, and has two main ingredients:

(a) the set of parameter choices considered by the advisor, and

(b) an estimator of alignment accuracy used to rank alignments produced by the aligner.

On coupling a parameter advisor with an aligner, once the advisor is trained in a learning phase, the user simply inputs sequences to align, and receives an output alignment from the aligner, where the advisor has automatically selected the parameter setting.

The chapters first lay out the foundations of parameter advising, and then cover applications and extensions of advising. The content

• examines formulations of parameter advising and their computational complexity,

• develops methods for learning good accuracy estimators,

• presents approximation algorithms for finding good sets of parameter choices, and

• assesses software implementations of advising that perform well on real biological data.

Also explored are applications of parameter advising to

• adaptive local realignment, where advising is performed on local regions of the sequences to automatically adapt to varying mutation rates, and

• ensemble alignment, where advising is applied to an ensemble of aligners to effectively yield a new aligner of higher quality than the individual aligners in the ensemble.

The book concludes by offering future directions in advising research.