STEME

O projeto STEME começou a vida como uma aproximação com o algoritmo Expectation-Maximização para o tipo de modelo utilizado na localizadores motivo, como meme.
STEME & rsquo; s EM aproximação executa uma ordem de magnitude mais rapidamente do que a implementação meme para ajustes de parâmetros típicos. STEME tem se transformado em um localizador motivo de pleno direito em seu próprio direito.
Por que usar STEME?
Técnicas achado motivo Comprovada
STEME é baseado no algoritmo MEME experimentadas e testadas. MEME é um dos localizadores motivo mais maduros e populares. Ele foi um dos melhores desempenhos em Tompa et al & rsquo;. S comparação valor de referência de localizadores motivo.
Projetado para grandes conjuntos de dados
STEME é concebida para ser usada com o tipo de grandes conjuntos de dados tipicamente geradas por experiências biológicas modernas. STEME foi testado na entrada de dezenas de megabases, mas não há nenhuma razão pela qual não deve ser usado em conjuntos de dados maiores.
Rápido
STEME é rápido. Tipicamente localizadores motivo têm um tempo de execução que cresce rapidamente com o tamanho da entrada. Devido a STEME & rsquo; s uso de árvores de sufixo não sofre deste problema. STEME fornece opções para controlar o tempo de execução para que o usuário controla o tempo que eles estão preparados para esperar os resultados.
Modelos motivo flexíveis
Muitos inventores motivo (especialmente rápidos Finders motivo enumerativas) usam seqüências consenso como modelos de sítios de ligação. Estes não são tão flexíveis quanto as PWMs que STEME usos e não podem capturar a mesma gama de motivos como PWMs.
Fácil de usar
STEME produz saída em MEME & rsquo; s formato bem estabelecida tornando-o fácil de usar em ferramentas de jusante. STEME & rsquo; s de saída foi testado com ferramentas de meme, BioPython e BioPerl.
Cálculos precisos de significância
STEME & rsquo; s cálculos de importância são projetados com grandes conjuntos de dados em mente. Localizadores Motivo que não foram escritos para grandes conjuntos de dados pode, muitas vezes mal calcular mal o significado dos motivos que encontrarem. Este é um problema particularmente insidiosa e difícil para o usuário a identificar.
Disponível como um serviço web
STEME pode ser instalado localmente em sua máquina ou pode ser executado através da web em nossos servidores.
Pacote de Documentação

Requisitos :

• Python