Name: 深層学習を用いてメタジノミックデータの生物学的配列を分類するための非コンピュータ専門家のための仮想マシンプラットフォーム (動画) | JoVE Journal
Uploaded: 2021-09-25T14:00:00.000+00:00
Duration: 9 min 34 s
Description: 学ぶ 深層学習を用いたメタジノミックデータの生物学的配列分類手法。仮想マシン環境でプログラミング不要で種分類や遺伝子機能分類を実行し、計算生物学の初心者でも利用可能なフレームワークを構築できます。

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

この調査は、中国国立自然科学財団(81925026、82002201、81800746、82102508)によって財政的に支援されました。

1. 仮想マシンのインストール
<ol><li>仮想マシン ファイルを (https://github.com/zhenchengfang/DL-VM) からダウンロードします。</li>
	<li>https://www.virtualbox.org から仮想ボックス ソフトウェアをダウンロードします。</li>
	<li>「7-Zip」、「WinRAR」、「WinZip」などの関連ソフトウェアを使用して「.7z」ファイルを解凍します。</li>
	<li>各手順で [ 次へ ] ボタンをクリックして、VirtualBox ソフトウェアをインストールします。</li>
	<li>VirtualBox ソフトウェアを開き、[ 新規作成 ] ボタンをクリックして仮想マシンを作成します。</li>
	<li>ステップ6:指定した仮想マシン名を「名前」フレームに入力し、「タイプ」フレームでオペレーティングシステムとして Linux を選択し、「バージョン」フレームで Ubuntu を選択し、「 次へ 」ボタンをクリックします。</li>
	<li>仮想マシンのメモリ サイズを割り当てます。ユーザーは、ボタンを緑色のバーの右端に引っ張って、仮想マシンにできるだけ多くのメモリを割り当ててから、[ 次へ ] ボタンをクリックすることをお勧めします。</li>
	<li>[ 既存の仮想ハード ディスク ファイルを使用する ] を選択し、手順 1.1 からダウンロードした "VM_Bioinfo.vdi" ファイルを選択して、[ 作成 ] ボタンをクリックします。</li>
	<li>[ スター ] ボタンをクリックして、仮想マシンを開きます。 注: 図 3 は、仮想マシンのデスクトップのスクリーンショットを示しています。</li>
</ol>2. 物理ホストと仮想マシン間でファイルを交換するための共有フォルダを作成する
<ol><li>物理ホストで、"shared_host" という名前の共有フォルダーを作成し、仮想マシンのデスクトップに "shared_VM" という名前の共有フォルダーを作成します。</li>
	<li>仮想マシンのメニュー バーで、[デバイス]、[ 共有フォルダ]、[共有フォルダの設定] を順にクリックします。</li>
	<li>右上隅のボタンをクリックします。</li>
	<li>ステップ 2.1 で作成した物理ホストの共有フォルダを選択し、 自動マウント オプションを選択します。 [OK]ボタンを クリックします。</li>
	<li>仮想マシンを再起動します。</li>
	<li>仮想マシンのデスクトップ上で右クリックし、ターミナルを開きます。</li>
	<li>次のコマンドをターミナルにコピーします。 sudo マウント -t vboxsf shared_host /デスクトップ/shared_VM<ol>
<li>パスワードの入力を求められたら、"1"と入力し、図 4 に示すように"Enter"キーを押します。</li>
	</ol>
</li>
</ol>3. トレーニングセットとテストセット用のファイルを準備する
<ol><li>トレーニングおよびテストプロセスの 4 つのシーケンス ファイルすべてを"fasta" 形式で物理ホストの "shared_host" フォルダーにコピーします。このように、すべてのファイルは仮想マシンの 「shared_VM」フォルダーにも発生します。次に、"shared_VM" フォルダー内のファイルを仮想マシンの "DeepLearning" フォルダーにコピーします。</li>
</ol>4. 「ワンホット」符号化形式を用いて生体配列をデジタイズする
<ol><li>「DeepLearning」フォルダに移動し、右クリックして端末を開きます。次のコマンドを入力します。 ./onehot_encoding p_train.fasta n_train.fasta p_test.fasta n_test.fasta aa (アミノ酸配列の場合) 又は ./onehot_encoding p_train.fasta n_train.fasta p_test.fasta n_test.fasta nt (核酸配列用) 注 : このプロセスのスクリーンショットは 、図 5に示されています。</li>
</ol>5. 人工ニューラルネットワークを訓練し、テストする
<ol><li>図 6に示すように、端末に次のコマンドを入力します。 パイソン train.py 注: トレーニングプロセスが開始されます。</li>
</ol>

<ol><li>Liang, Q., Bible, P. W., Liu, Y., Zou, B., Wei, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((DeepMicrobes%3A+taxonomic+classification+for+metagenomics+with+deep+learning%5BTitle%5D)+AND+%22NAR+Genomics+and+Bioinformatics%22%5BJournal%5D)">DeepMicrobes: taxonomic classification for metagenomics with deep learning.</a> NAR Genomics and Bioinformatics. 2 (1), (2020).</li>
<li>Ren, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((VirFinder%3A+a+novel+k+-mer+based+tool+for+identifying+viral+sequences+from+assembled+metagenomic+data%5BTitle%5D)+AND+%22Microbiome%22%5BJournal%5D)">VirFinder: a novel k -mer based tool for identifying viral sequences from assembled metagenomic data.</a> Microbiome. 5 (1), 69(2017).</li>
<li>Fang, Z., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((PPR-Meta%3A+a+tool+for+identifying+phages+and+plasmids+from+metagenomic+fragments+using+deep+learning%5BTitle%5D)+AND+%22GigaScience%22%5BJournal%5D)">PPR-Meta: a tool for identifying phages and plasmids from metagenomic fragments using deep learning.</a> GigaScience. 8 (6), (2019).</li>
<li>Ren, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Identifying+viruses+from+metagenomic+data+using+deep+learning%5BTitle%5D)+AND+%22Quantitative+Biology%22%5BJournal%5D)">Identifying viruses from metagenomic data using deep learning.</a> Quantitative Biology. 8 (1), 64-77 (2020).</li>
<li>Zhou, F., Xu, Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((cBar%3A+a+computer+program+to+distinguish+plasmid-derived+from+chromosome-derived+sequence+fragments+in+metagenomics+data%5BTitle%5D)+AND+%22Bioinformatics%22%5BJournal%5D)">cBar: a computer program to distinguish plasmid-derived from chromosome-derived sequence fragments in metagenomics data.</a> Bioinformatics. 26 (16), 2051-2052 (2010).</li>
<li>Krawczyk, P. S., Lipinski, L., Dziembowski, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((PlasFlow%3A+predicting+plasmid+sequences+in+metagenomic+data+using+genome+signatures%5BTitle%5D)+AND+%22Nucleic+Acids+Research%22%5BJournal%5D)">PlasFlow: predicting plasmid sequences in metagenomic data using genome signatures.</a> Nucleic Acids Research. 46 (6), (2018).</li>
<li>Pellow, D., Mizrahi, I., Shamir, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((PlasClass+improves+plasmid+sequence+classification%5BTitle%5D)+AND+%22PLOS+Computational+Biology%22%5BJournal%5D)">PlasClass improves plasmid sequence classification.</a> PLOS Computational Biology. 16 (4), (2020).</li>
<li>Arango-Argoty, G., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((DeepARG%3A+a+deep+learning+approach+for+predicting+antibiotic+resistance+genes+from+metagenomic+data%5BTitle%5D)+AND+%22Microbiome%22%5BJournal%5D)">DeepARG: a deep learning approach for predicting antibiotic resistance genes from metagenomic data.</a> Microbiome. 6 (1), 1-15 (2018).</li>
<li>Zheng, D., Pang, G., Liu, B., Chen, L., Yang, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Learning+transferable+deep+convolutional+neural+networks+for+the+classification+of+bacterial+virulence+factors%5BTitle%5D)+AND+%22Bioinformatics%22%5BJournal%5D)">Learning transferable deep convolutional neural networks for the classification of bacterial virulence factors.</a> Bioinformatics. 36 (12), 3693-3702 (2020).</li>
<li>LeCun, Y., Bengio, Y., Hinton, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Deep+learning%5BTitle%5D)+AND+%22Nature%22%5BJournal%5D)">Deep learning.</a> Nature. 521 (7553), 436-444 (2015).</li>
<li>Fang, Z., Zhou, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((VirionFinder%3A+Identification+of+Complete+and+Partial+Prokaryote+Virus+Virion+Protein+From+Virome+Data+Using+the+Sequence+and+Biochemical+Properties+of+Amino+Acids%5BTitle%5D)+AND+%22Frontiers+in+Microbiology%22%5BJournal%5D)">VirionFinder: Identification of Complete and Partial Prokaryote Virus Virion Protein From Virome Data Using the Sequence and Biochemical Properties of Amino Acids.</a> Frontiers in Microbiology. 12, 615711(2021).</li>
<li>Fang, Z., Zhou, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Identification+of+the+conjugative+and+mobilizable+plasmid+fragments+in+the+plasmidome+using+sequence+signatures%5BTitle%5D)+AND+%22Microbial+Genomics%22%5BJournal%5D)">Identification of the conjugative and mobilizable plasmid fragments in the plasmidome using sequence signatures.</a> Microbial Genomics. 6 (11), (2020).</li>
<li>Richter, D. C., Ott, F., Auch, A. F., Schmid, R., Huson, D. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((MetaSim-a+sequencing+simulator+for+genomics+and+metagenomics%5BTitle%5D)+AND+%22PLoS+One%22%5BJournal%5D)">MetaSim-a sequencing simulator for genomics and metagenomics.</a> PLoS One. 3 (10), 3373(2008).</li>
<li>Zhang, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Prediction+of+virus-host+infectious+association+by+supervised+learning+methods%5BTitle%5D)+AND+%22BMC+Bioinformatics%22%5BJournal%5D)">Prediction of virus-host infectious association by supervised learning methods.</a> BMC Bioinformatics. 18 (3), 143-154 (2017).</li>
</ol>

著者らは、利益相反はないと宣言している。

このチュートリアルでは、生物学者とアルゴリズム設計初心者向けに、メタジノミックデータにおける生物学的配列分類のための使いやすいディープラーニングフレームワークを構築する方法について説明します。このチュートリアルでは、ディープラーニングの直感的な理解を提供し、初心者がディープラーニングパッケージをインストールし、アルゴリズムのコードを書くことが困難な課題に対処することを目的としています。一部の簡単な分類タスクでは、ユーザーはフレームワークを使用して分類タスクを実行できます。
多くの生物学者がLinuxオペレーティングシステムのコマンドラインに精通していないことを考えると、我々は仮想マシンに依存するすべてのソフトウェアをプリインストールしました。これにより、ユーザーは上記のプロトコルに従って仮想マシン内のコードを直接実行できます。さらに、ユーザーが Linux オペレーティングシステムと Python プログラミングに精通している場合は、このプロトコルをサーバーまたはローカル PC で直接実行することもできます。この方法で、ユーザーは次の依存ソフトウェアをプレインストールする必要があり...

メタゲノムシーケンシング技術は、歪みの分離プロセスをバイパスし、環境サンプル内の全DNAを直接配列します。したがって、メタゲノムデータには異なる生物からのDNAが含まれ、ほとんどの生物学的配列は現在のデータベースに存在しない新しい生物からのものである。異なる研究目的に従って、生物学者は分類分類1、ウイルス-細菌分類2、3、4、染色体・プラスミド分類3、5、6、7、および遺伝子機能アノテーション(抗生物質耐性遺伝子分類8および毒性因子分類など)など、異なる視点からこれらの配列を分類する必要がある。).メタゲノムデータには多数の新種や遺伝子が含まれているため、配列分類(DNA分類やタンパク質分類を含む)に既知のデータベースに依存しないab initioアルゴリズムは、メタゲノムデータ分析において重要なアプローチです。しかし、このようなアルゴリズムの設計には、専門的な数学の知識とプログラミングスキルが必要です。そのため、多くの生物学者やアルゴリズム設計の初心者は、自分のニーズに合わせて分類アルゴリズムを構築するのが困難です。
人工知能の開発に伴い、深層学習アルゴリズムは、生体情報学の分野で広く使用され、メタゲノム解析における配列分類などのタスクを完了してきました。初心者がディープラーニングアルゴリズムを理解できるように、以下に説明するアルゴリズムをわかりやすい方法で説明します。
ディープ ラーニングの手法の概要を図 1に示します。ディープラーニングアルゴリズムのコア技術は、人間の脳の構造に触発された人工ニューラルネットワークです。数学的な観点からは、人工ニューラルネットワークは複雑な関数と見なされるかもしれません。各オブジェクト(DNA配列、写真、ビデオなど)は、最初にデジタル化されます。次に、デジタル化されたオブジェクトが関数にインポートされます。人工ニューラルネットワークのタスクは、入力データに応じて正しい応答を与える.たとえば、2 クラスの分類タスクを実行するために人工ニューラル ネットワークを構築する場合、各オブジェクトに対して 0 ~ 1 の確率スコアを出力する必要があります。ニューラルネットワークは、負のオブジェクトに低いスコアを与えながら、より高いスコア(0.5より高いスコアなど)を与える必要があります。この目標を達成するために、トレーニングとテストプロセスで人工ニューラルネットワークを構築します。これらのプロセスの間に、既知のデータベースのデータがダウンロードされ、トレーニングセットとテストセットに分割されます。各オブジェクトは適切な方法でデジタル化され、ラベル(正のオブジェクトの場合は"1"、負のオブジェクトの場合は"0")が付けられます。トレーニングプロセスでは、トレーニングセット内のデジタル化されたデータがニューラルネットワークに入力されます。人工ニューラルネットワークは、入力オブジェクトの出力スコアとオブジェクトの対応するラベルとの間の不一在性を表す損失関数を構築します。例えば、入力オブジェクトのラベルが「1」の場合、出力スコアが「0.1」の場合、損失関数は高くなります。出力スコアが「0.1」の間に入力オブジェクトのラベルが「0」の場合、損失関数は低くなります。人工ニューラルネットワークは、損失関数を最小限に抑えるためにニューラルネットワークのパラメータを調整する特定の反復アルゴリズムを採用しています。トレーニングプロセスは、損失機能が明らかにそれ以上減少することができないときに終了します。最後に、テストセット内のデータを使用して固定ニューラルネットワークをテストし、ニューラルネットワークが新規オブジェクトの正しいラベルを計算する能力を評価します。ディープラーニングアルゴリズムのより多くの原則は、LeCunらのレビューで見 つけることができます。10.
ディープラーニングアルゴリズムの数学的原則は複雑かもしれませんが、高度にパッケージ化されたディープラーニングパッケージが最近開発され、プログラマは数行のコードで単純な人工ニューラルネットワークを直接構築できます。
このチュートリアルでは、生物学者やアルゴリズム設計の初心者がディープラーニングを使い始める際に、シーケンス分類用の使いやすいディープラーニングフレームワークを構築するためのガイドラインを提供します。このフレームワークは、生物学的配列をデジタル化する数学的モデルとして「ワンホット」符号化形式を使用し、畳み込みニューラルネットワークを使用して分類タスクを実行します ( 補足資料を参照)。このガイドラインを使用する前にユーザーが行う必要がある唯一のことは、4つのシーケンスファイルを"fasta"形式で準備することです。最初のファイルには、トレーニングプロセスの正のクラスのすべてのシーケンス("p_train.fasta")が含まれています。2 番目のファイルには、トレーニング プロセスの負のクラスのすべてのシーケンス ("n_train.fasta" と呼ばれます) が含まれます。3 番目のファイルには、テストプロセスの正のクラスのすべてのシーケンス ("p_test.fasta" と呼ばれます) が含まれます。最後のファイルには、テストプロセスの負のクラスのすべてのシーケンス (「n_test.fasta」と呼ばれます) が含まれています。このチュートリアルのフローチャートの概要は 図 2に示されており、詳細は以下に示します。

<table><tbody><tr><td>PCまたはサーバー</td><td>NA</td><td>NA</td><td>推奨メモリ: >6GB</td></tr><tr><td>VirtualBox ソフトウェア</td><td>NA</td><td>NA</td><td>リンク: https://www.virtualbox.org</td></tr></tbody></table>

深層学習を用いてメタジノミックデータの生物学的配列を分類するための非コンピュータ専門家のための仮想マシンプラットフォーム

A Virtual Machine Platform for Non-Computer Professionals for Using Deep Learning to Classify Biological Sequences of Metagenomic Data

種分類、遺伝子機能分類、ウイルス宿主分類など、さまざまな生物学的配列分類タスクが、多くのメタゲノムデータ分析において期待されるプロセスである。メタゲノムデータには多数の新種や遺伝子が含まれているため、多くの研究で高性能な分類アルゴリズムが必要とされています。生物学者は、特定のタスクに適したシーケンス分類と注釈ツールを見つける際にしばしば課題に遭遇し、多くの場合、必要な数学的および計算的知識がないため、対応するアルゴリズムを自分で構築することはできません。ディープラーニングのテクニックは最近人気の話題となり、多くの分類タスクで強い利点を示しています。これまで、多くの高度にパッケージ化されたディープラーニングパッケージが開発されており、生物学者はアルゴリズムの詳細を深く知らずに、独自のニーズに応じてディープラーニングフレームワークを構築することが可能になりました。このチュートリアルでは、十分な数学的知識やプログラミングスキルを必要とせずに、シーケンス分類のための使いやすいディープラーニングフレームワークを構築するためのガイドラインを提供します。すべてのコードは、ユーザーが独自のデータを使用してコードを直接実行できるように、仮想マシンで最適化されます。

前の研究では、このチュートリアル3、11、12のようなアプローチを使用して、メタゲノムデータの一連のシーケンス分類ツールを開発しました。例として、以前の作業3,11からトレーニング セットとテスト セットのサブセットのシーケンス ファイルを仮想マシンに入金しました。
Fang &amp; Zhou11 は、ビロームデータから完全かつ部分的な原核生物ウイルスウイルスタンパク質を同定することを目的とした。ファイル "p_train.fasta" には、トレーニング セットのウイルスウイルスウイルスタンパク質フラグメントが含まれています。ファイル "n_train.fasta" には、トレーニングセットのウイルス非ウイルスタンパク質フラグメ...

このチュートリアルでは、メタゲノムデータの 2 クラスシーケンス分類を実行するためのディープラーニング アルゴリズムを構築する簡単な方法について説明します。

A variety of biological sequence classification tasks, such as species classification, gene function classification and viral host classification, are ...

種分類、遺伝子機能分類、およびワイヤーホスト分類などの様々な生物学的配列分類タスクは、多くのメタゲノムデータ分析において期待されるプロセスである。メタゲノムデータにはノボ種や遺伝子が多数含まれているため、多くの研究で高い成績の分類生物が必要とされています。生物学者は、特定のタスクに適した配列分類と表記ツールを見つける際にしばしば挑戦に遭遇し、多くの場合、必要な数学的および計算的知識の欠如のために、自分で対応する生物を構築することができない。ディープラーニングのテクニックは最近、人気のトピックとなり、多くの分類タスクで強い優位性を示しています。現在までに、生物の詳細を深く知らずに独自のニーズに応じて、生物学者がディープラーニングフレームワークを構築することを可能にする多くの高度にパッケージ化されたディープラーニングパッケージが開発されています。このチュートリアルでは、十分な数学的知識やプログラミングスキルを必要とせずに、シーケンス分類のための使いやすいディープラーニングフレームワークを構築するためのガイドラインを提供します。次のビデオでは、仮想マシンを使用して生物学的シーケンス分類を実行する方法を示します。ユーザーは、チュートリアルのホームページから仮想マシンファイルをダウンロードし、VirtualBoxソフトウェアをダウンロードする必要があります。仮想マシンは 70 ファイルとして圧縮されます。70ファイルは、WinRar、Winzip、7-Zipなどの現在の圧縮ソフトウェアを使用して簡単に解凍することができます。7-Zipを使用して仮想マシンを解凍しました。減圧には時間がかかる場合があります。しばらくお待ちください。解凍後、ユーザーはVirtualBoxソフトウェアをインストールする必要があります。仮想ボックスをインストールするフォルダーを作成します。仮想ボックスのインストール パッケージを作成します。自分で作成したフォルダを選択します。次に、各ステップの次のボタンをクリックして、VirutalBoxソフトウェアをインストールします。インストールには時間がかかる場合がありますので、しばらくお待ちください。バーチャルボックスソフトウェアを開きます。新しいボタンを作成して仮想マシンを作成します。名前フレームに、自分で指定した仮想マシン名を入力します。タイプフレームでオペレーティングシステムとして Linux を選択します。バージョンフレームでUbuntuを選択し、次のボタンをクリックします。可能であれば、仮想マシンに大量のメモリを割り当てます。True は、既存のハード ディスク ファイルの選択を使用します。チュートリアルのホームページからダウンロードした仮想マシンファイルを選択します。次に、[作成] ボタンをクリックします。開始ボタンをクリックして、仮想マシンを開きます。仮想マシンの起動にはしばらく時間がかかる場合があります。次のステップの前にしばらくお待ちください。次に、ユーザーはファイルを交換するために、物理ホストと仮想マシンの両方に共有フォルダを作成する必要があります。物理ホストで、共有ホストという名前の共有フォルダーを作成し、仮想マシンのデスクトップ上に共有フォルダーを作成 VM.In 仮想マシンの手動バーを作成し、デバイス、共有フォルダー、共有フォルダーの設定を連続的にクリックします。右上隅のボタンをクリックします。自分で作成した物理ホストの共有フォルダを選択します。自動マウントオプションを選択します。[OK]ボタンをクリックします。次に、仮想マシンを再起動します。仮想マシンの再起動にはしばらく時間がかかる場合があります。次のステップの前にしばらくお待ちください。仮想マシンのデスクトップ上で右クリックし、ターミナルを開きます。ターミナルに次のコマンドを入力します。Sudo、スペースキー、マウント、スペースキー、バーT、スペースキー、vboxsf、スペースキー、共有ホスト、スペースキー、ドットスラッシュ、デスクトップ、スラッシュ、共有VM.パスワードを入力し、入力キーをタップします。トレーニングおよびテストプロセスの 4 つのシーケンス ファイルすべてを、物理ホストの共有ホスト フォルダに高速にコピーします。このようにして、すべてのファイルは仮想マシンの共有 VM フォルダーにも発生します。次に、共有 VM フォルダー内のファイルを仮想マシンのディープ ラーニング フォルダーにコピーします。右クリックしてターミナルを開き、次のコマンドを入力してホットエンコードを実行します。ドットスラッシュ(1つのホットエンコーディング)は、トレーニングとテスト用のファイルを指定します。そして、シーケンスの種類を指定します。次に、次のコマンドを入力して、トレンド分析プロセスを開始します。Pythonスペースキー、列車ドットP Y.その後、トレンドプロセスが開始されます。この処理は、データ セットのサイズによっては数時間または数日かかる場合があります。プロセスが終了すると、テストデータの予測結果が予測ドットCSVファイルに存在します。前の研究では、このチュートリアルと同様のアプローチを使用して、メタゲノムデータの一連のシーケンス分類ツールを開発しました。例えば、実行データから完全かつ部分的な原核生物ウイルスウイルスタンパク質を同定するためのツールを開発しました。そして、メトゲノムデータの細菌染色体DNA断片からファージDNA断片を同定することを目的としたツール。このチュートリアルのスクリプトを使用したツールのパフォーマンスを図 a および b に示します。結論として、このチュートリアルでは、メトゲノムデータにおける生物学的配列分類のための使いやすいディープラーニングフレームワークを構築する方法について、生物学者や生物の設計初心者のための概要を提供します。このチュートリアルでは、ディープラーニングの直感的な理解を提供し、初心者がディープラーニングパッケージを開始し、生物のためのコードを書くことが困難であることが多い課題に対処することを目的としています。一部の簡単な分類タスクでは、ユーザーは、分類タスクを実行するのには、フレームワークを使用できます。

a-virtual-machine-platform-for-non-computer-professionals-for-using

Research

JoVE Journal

Genetics

遺伝学

RNA-Seq解析は、非モデル生物の適応形質の分子基盤を特定するためにますます重要になってきています。ここでは、蚊の飼育からRNAシーケンシング、RNA-Seqデータのバイオインフォマティクス解析まで、休眠時と非休眠型のAedes...

アジアのタイガーモスキートにおける日長休眠のRNA-seqの分析のための実験とバイオインフォマティクス·プロトコル、ヒトスジシマカ

例として、嚢胞性線維症の気道を使用すると、原稿は、動物関連のサンプル中の微生物およびウイルスのコミュニティを特徴づけるためにメタゲノムとmetatranscriptomicアプローチの組み合わせを含む総合的なワークフローを提供します。...

複雑な動物に関連したサンプルからのシーケンシングメタゲノムとMetatranscriptomes：不純を精製する

Metagenomicsを使用して、サイレージ牛の飼料のマイクロバイオームを調査しました。解析はショットガンシーケンシングによって行われました。このアプローチは、牛の飼料中の微生物群集の組成を特徴付けるために使用されました。...

サイレージのメタゲノム解析

このプロトコルは、初心者のバイオインフォマティシャンのための比較de novoトランスクリプトームアセンブリとアノテーションワークフローの概要を示しています。このワークフローは、CyVerse...

CyVerseリソースの活用<em&gt;デ・ノヴォ</em&gt;保存されていない（非モデル）生物の比較トランスクリプトーム

対象となる次世代シーケンサーは、病の研究と臨床検査の両方でますます人気になって時間とコスト効率の高いアプローチです。ここで説明されているプロトコルは、シーケンスに必要な複雑なワークフローと病に貢献する遺伝的変異を識別するために使用するバイオインフォマティクス...

対象に次世代シーケンサーとバイオインフォマティクス パイプライン体質性疾患の遺伝的決定因子を評価するには

肯定的な酵母 2 ハイブリッド相互作用の可能性があります選択酵母集団のディープ シーケンスには、パートナーの相互作用の蛋白質についての情報の富が得られます。ここでは、特定のバイオインフォマティクス ツールとこのような画面からシーケンス...

バッチ酵母 2 ハイブリッド スクリーンからシーケンス データの情報解析

ここでは、自由に利用可能なツールを使用して16S...

2段階PCRと次世代16S rRNA遺伝子シーケンシングを用いての微生物叢解析

ここで示すプロトコルは、高度な統計分析アプローチへの品質管理と前処理のステップを含む、生の読み取りから機能分析までのRNAシーケンシングトランスクリプトームデータを分析するための完全なパイプラインを説明しています。...

宿主と病原体の相互作用を調するためのハイスループットトランスクリプトーム解析

この分析計算プラットフォームは、細菌集団ゲノミクスに関心のある微生物学者、生態学者、疫学者に実用的なガイダンスを提供します。具体的には、ここで提示された研究は、i)階層遺伝子型の系統発生誘導マッピングを実行する方法を示した。ii)遺伝子型の周波数ベースの分析;iii)親族関係とクローン性分析iv)系統鑑別補助遺伝子座の同定。...

細菌集団における階層遺伝子型とアクセサリゲノム遺伝子座のヒューリスティックマイニング

Mime は、機械学習ベースの統合モデルをエレガントなパフォーマンスで構築するための柔軟な計算フレームワークです。ここでは、複雑なデータセットを活用して、疾患の進行、患者の転帰、治療反応に関連する重要な遺伝子を特定し、高精度の予測モデルを開発するための詳細なステップバイステップの手順を提供します。...

MIMEベースの機械学習フレームワークを用いたモデルの構築と可視化

学ぶ 深層学習を用いたメタジノミックデータの生物学的配列分類手法。仮想マシン環境でプログラミング不要で種分類や遺伝子機能分類を実行し、計算生物学の初心者でも利用可能なフレームワークを構築できます。

深層学習を用いてメタジノミックデータの生物学的配列を分類するための非コンピュータ専門家のための仮想マシンプラットフォーム

さらに動画を探す