STEME

Le projet de STEME commencé sa vie comme une approximation de l'algorithme Expectation-Maximisation pour le type de modèle utilisé des moteurs de recherche de motifs tels que MEME.
STEME & rsquo; EM l'approximation de exécute un ordre de grandeur plus rapidement que la mise en œuvre de MEME pour les paramètres typiques de paramètres. STEME a maintenant développé dans un détecteur de motif à part entière dans son propre droit.
Pourquoi utiliser STEME?
Techniques de constatation motifs éprouvées
STEME est basé sur l'algorithme de MEME essayé et testé. MEME est l'un des détecteurs de motifs les plus matures et les plus populaires. Ce était l'un des meilleurs acteurs de Tompa et al & rsquo;. S comparaison de référence des détecteurs de motifs.
Conçu pour les grands ensembles de données
STEME est conçu pour être utilisé sur le type de grands ensembles de données typiquement produites par les expériences biologiques modernes. STEME a été testé sur l'entrée dans les dizaines de mégabases, mais il ne ya aucune raison pourquoi il ne devrait pas être utilisé sur de plus grands ensembles de données.
Rapide
STEME est rapide. Typiquement détecteurs ont un motif exécution qui croît rapidement avec la taille de l'entrée. En raison de STEME & rsquo; s utilisation des arbres de suffixe il ne souffre pas de ce problème. STEME fournit des options pour contrôler l'exécution pour que l'utilisateur contrôle combien de temps ils sont prêts à attendre les résultats.
Des modèles de motifs flexibles
Beaucoup de détecteurs de motifs (radiogoniomètres motifs énumérative particulièrement rapide) utilisent des séquences consensus comme des modèles de sites de liaison. Ce ne sont pas aussi flexibles que les PWMs que STEME utilisations et ne peut pas capturer la même gamme de motifs que PWM.
Facile à utiliser
STEME produit une sortie dans MEME & rsquo; s format bien établie qui rend facile à utiliser des outils en aval. STEME & rsquo; la sortie a été testé avec des outils de MEME, biopython et BioPerl.
Calculs de signification précises
STEME & rsquo; les calculs de signification sont conçus avec de grands ensembles de données à l'esprit. trouveurs Motif qui ne ont pas été écrites pour les grands ensembles de données peuvent souvent mal mésestimer l'importance des motifs qu'ils trouvent. Ce est un problème particulièrement insidieux et difficile pour l'utilisateur d'identifier.
Disponible en tant que service Web
STEME peut être installé localement sur votre machine ou peut être exécuté sur le web sur nos serveurs.
Documentation du colis

Exigences :

• Python