STEME

在STEME項目開始生活作為一個近似的預期，Maximisation算法的圖案發現者，如MEME使用模型的類型。
STEME大局; EM近似運行一個數量級比更迅速的MEME實施為典型的參數設置。 STEME現已發展成為在自己的權利一個不折不扣的圖案發現者。
為什麼要使用STEME？
成熟的模式發現技術
STEME是基於嘗試和測試MEME算法。 MEME是最成熟和流行的主題發現者之一。這是一個頂級的表演在通帕等人與rsquo的;的基準圖案發現者的比較。
專為大型數據集
STEME被設計為在典型地通過現代生物學實驗產生的大數據集的類型使用。 STEME已經在幾十兆鹼基對被測試的輸入，但沒有理由不應該在更大的數據集使用。
快
STEME快。通常，圖案發現者擁有運行時與輸入的大小快速增長。由於STEME大局;使用後綴樹也不會受到這個問題。 STEME提供選項來控制運行時，使得用戶控制他們多久準備等待結果。
靈活的主題模式
許多圖案發現者（尤其是快速枚舉圖案發現者）使用的共識序列結合位點的車型。這些都不是那樣靈活的STEME用途，不能捕捉同一範圍內的圖案作為的PWM的PWM輸出。
使用方便
STEME產生的MEME＆rsquo的輸出; S及既定格式因此很容易在下游工具使用。 STEME＆rsquo的; s輸出已經過測試與MEME，BioPython和的BioPerl工具。
精確計算的意義
STEME＆rsquo的; S意義的計算都設計有大型數據集的初衷。還沒有被寫入大型數據集的主題發現者往往能嚴重誤判，他們發現圖案的意義。這是一個特別隱蔽的問題，難以在用戶鑑別。
可作為一個Web服務
STEME可以在本地機器上安裝，也可以在我們的服務器上的網絡上運行。
包文件

要求：

• 在Python中