Eine virtuelle Maschinenplattform für Nicht-Computer-Profis zur Verwendung von Deep Learning zur Klassifizierung biologischer Sequenzen metagenomischer Daten
25. September 2021
Dieses Tutorial beschreibt eine einfache Methode zum Erstellen eines Deep-Learning-Algorithmus für die 2-Klassen-Sequenzklassifizierung metagenomischer Daten.
Eine Vielzahl von Biologischen Sequenzklassifizierungsaufgaben, wie z. B. Die Klassifizierung von Arten, die Klassifikation der Genfunktion und die Klassifizierung des Drahtwirts, sind erwartete Prozesse in vielen metagenomischen Datenanalysen. Da metagenomische Daten eine große Anzahl von Novo-Arten und -Genen enthalten, werden in vielen Studien leistungsfähige Klassifikationsorganismen benötigt. Biologen stehen oft vor der Herausforderung, geeignete Sequenzklassifikations- und Notationswerkzeuge für eine bestimmte Aufgabenstellung zu finden und sind oft nicht in der Lage, einen entsprechenden Organismus selbst zu konstruieren, weil ihnen die notwendigen mathematischen und rechnerischen Kenntnisse fehlen.
Deep-Learning-Techniken sind in letzter Zeit zu einem beliebten Thema geworden und zeigen bei vielen Klassifizierungsaufgaben einen starken Vorteil. Bis heute wurden viele hochgepackte Deep-Learning-Pakete entwickelt, die es Biologen ermöglichen, Deep-Learning-Frameworks nach ihren eigenen Bedürfnissen zu konstruieren, ohne die Details des Organismus eingehend zu wissen. In diesem Tutorial stellen wir eine Richtlinie für die Erstellung eines einfach zu bedienenden Deep-Learning-Frameworks für die Sequenzklassifizierung bereit, ohne dass ausreichende mathematische Kenntnisse oder Programmierkenntnisse erforderlich sind.
Das folgende Video zeigt, wie sie die virtuelle Maschine zum Ausführen der biologischen Sequenzklassifizierung verwenden. Benutzer müssen die Datei der virtuellen Maschine von der Startseite des Lernprogramms herunterladen und dann die VirtualBox-Software herunterladen. Die virtuelle Maschine wird als siebzig Dateien komprimiert.
Die siebzig Dateien können problemlos mit einer aktuellen Komprimierungssoftware wie WinRar, Winzip und 7-Zip dekomprimiert werden. Wir haben die virtuelle Maschine mit 7-Zip dekomprimiert. Die Dekompression kann einige Zeit dauern.
Bitte warten Sie eine Weile. Nach der Dekomprimierung müssen Benutzer die VirtualBox-Software installieren. Erstellen Sie einen Ordner, um die VirtualBox zu installieren.
Erstellen Sie ein VirtualBox-Installationspaket. Wählen Sie den selbst erstellten Ordner aus. Installieren Sie dann die VirutalBox-Software, indem Sie in jedem Schritt auf die Schaltfläche Weiter klicken.
Die Installation kann einige Zeit dauern, bitte warten Sie eine Weile. Öffnen Sie die VirtualBox-Software. Erstellen Sie eine neue Schaltfläche, um eine virtuelle Maschine zu erstellen.
Geben Sie den von Ihnen selbst angegebenen Namen der virtuellen Maschine in den Namensrahmen ein. Wählen Sie Linux als Betriebssystem im Typframe aus. Wählen Sie Ubuntu im Versionsrahmen aus und klicken Sie auf die Schaltfläche Weiter.
Weisen Sie der virtuellen Maschine nach Möglichkeit eine größere Menge an Arbeitsspeicher zu. True, die eine vorhandene Festplattendateiauswahl verwenden. Wählen Sie die Datei der virtuellen Maschine aus, die von der Startseite des Lernprogramms heruntergeladen wurde.
Klicken Sie dann auf die Schaltfläche Erstellen. Klicken Sie auf eine Startschaltfläche, um die virtuelle Maschine zu öffnen. Das Starten der virtuellen Maschine kann eine Weile dauern.
Bitte warten Sie einen Moment vor dem nächsten Schritt. Dann müssen Benutzer einen freigegebenen Ordner sowohl auf physischen Hosts als auch auf virtuellen Computern erstellen, um Dateien auszutauschen. Erstellen Sie auf Ihrem physischen Host einen freigegebenen Ordner mit dem Namen Shared Host und erstellen Sie auf dem Desktop der virtuellen Maschine einen freigegebenen Ordner mit dem Namen Shared VM.In der manuellen Leiste der virtuellen Maschine, klicken Sie nacheinander auf Geräte, freigegebene Ordner und Einstellungen für freigegebene Ordner.
Klicken Sie auf die Schaltfläche in der oberen rechten Ecke. Wählen Sie den freigegebenen Ordner auf dem physischen Host aus, der von Ihnen selbst erstellt wurde. Wählen Sie die Option für die automatische Einhänge aus.
Klicken Sie auf die Schaltfläche OK. Starten Sie dann die virtuelle Maschine neu. Der Neustart der virtuellen Maschine kann eine Weile dauern.
Bitte warten Sie einen Moment vor dem nächsten Schritt. Klicken Sie mit der rechten Maustaste auf den Desktop der virtuellen Maschine und öffnen Sie das Terminal. Geben Sie den folgenden Befehl in das Terminal ein.
Sudo, Leertaste, Mount, Leertaste, Leiste T, Leertaste, vboxsf, Leertaste, Gemeinsamer Host, Leertaste, Punktstrich, Desktop, Schrägstrich, freigegebene VM.Wenn Sie zur Eingabe eines Kennworts aufgefordert werden, geben Sie eines ein und tippen Sie auf die Eingabetaste. Kopieren Sie alle vier Sequenzdateien in einem schnelleren Format für den Trainings- und Testprozess in den freigegebenen Hostordner des physischen Hosts. Auf diese Weise werden alle Dateien auch im freigegebenen VM-Ordner der virtuellen Maschine angezeigt.
Kopieren Sie dann die Dateien im freigegebenen VM-Ordner in den Deep-Learning-Ordner der virtuellen Maschine. Klicken Sie mit der rechten Maustaste, öffnen Sie das Terminal und geben Sie den folgenden Befehl ein, um die eine Hot-Codierung durchzuführen. Punktstrich, eine Hot-Codierung, geben Sie die Dateien für Training und Test an.
Und geben Sie den Sequenztyp an. Geben Sie dann den folgenden Befehl ein, um den Trending-Prozess zu starten. Python-Leertaste, Zugpunkt P Y.Dann beginnt der Trending-Prozess.
Dieser Vorgang kann je nach Größe Ihres Datensatzes einige Stunden oder einige Tage dauern. Wenn der Prozess abgeschlossen ist, ist das Vorhersageergebnis der Testdaten in der CSV-Datei mit dem Vorhersagepunkt vorhanden. In unserer früheren Arbeit haben wir eine Reihe von Sequenzklassifizierungswerkzeugen für metagenomische Daten entwickelt, wobei wir einen ähnlichen Ansatz wie dieses Tutorial verwendet haben.
Zum Beispiel haben wir ein Tool entwickelt, das darauf abzielt, die vollständigen und partiellen Prokaryotenvirus-Virionproteine aus Laufdaten zu identifizieren. Und ein Werkzeug, das darauf abzielte, Phagen-DNA-Fragmente aus bakteriellen Chromosomen-DNA-Fragmenten in metogenomischen Daten zu identifizieren. Die Leistung der Tools, die das Skript dieses Lernprogramms verwenden, ist in den Abbildungen a und b dargestellt.
Zusammenfassend bietet dieses Tutorial einen Überblick für Biologen und Organismendesign-Anfänger, wie man ein einfach zu bedienendes Deep-Learning-Framework für die biologische Sequenzklassifizierung in metogenomischen Daten erstellt. Dieses Tutorial zielt darauf ab, ein intuitives Verständnis von Deep Learning zu vermitteln und die Herausforderung anzugehen, dass Anfänger oft Schwierigkeiten haben, das Deep-Learning-Paket zu starten und den Code für den Organismus zu schreiben. Für einige einfache Klassifizierungsaufgaben können Benutzer unser Framework verwenden, um die Klassifizierungsaufgabe auszuführen.
Sehen Sie sich das vollständige Transkript an und erhalten Sie Zugang zu Tausenden wissenschaftlicher Videos
Überblick
Dieses Tutorial bietet eine Richtlinie für den Aufbau eines Deep Learning-Frameworks zur 2-Klassen-Sequenzklassifikation von metagenomischen Daten. Es zielt darauf ab, Biologen bei der Bewältigung von Herausforderungen im Zusammenhang mit der Sequenzklassifikation zu unterstützen, ohne umfangreiche mathematische oder Programmierkenntnisse zu erfordern.
Wichtige Studienkomponenten
Wissenschaftsbereich
- Metagenomik
- Deep Learning
- Bioinformatik
Hintergrund
- Die biologische Sequenzklassifikation ist für verschiedene Analysen entscheidend.
- Metagenomische Daten umfassen oft zahlreiche neuartige Arten und Gene.
- Leistungsstarke Klassifizierungswerkzeuge sind für effektive Studien unerlässlich.
- Viele Biologen verfügen nicht über die erforderlichen Computerkenntnisse, um diese Werkzeuge selbstständig zu entwickeln.
Zweck der Studie
- Eine zugängliche Methode für den Aufbau eines Deep Learning-Frameworks bereitzustellen.
- Biologen die Möglichkeit zu geben, Sequenzen ohne tiefgreifendes technisches Wissen zu klassifizieren.
- Die Benutzerfreundlichkeit von Deep Learning in der biologischen Forschung zu verbessern.
Verwendete Methoden
- Entwicklung eines benutzerfreundlichen Deep Learning-Algorithmus.
- Richtlinien für Sequenzklassifizierungsaufgaben.
- Nutzung bestehender Deep Learning-Pakete.
- Fokus auf 2-Klassen-Klassifikation von metagenomischen Daten.
Hauptergebnisse
- Erfolgreicher Aufbau eines Deep Learning-Frameworks.
- Nachgewiesene Benutzerfreundlichkeit für Biologen.
- Hervorhebung der Effektivität von Deep Learning bei Klassifizierungsaufgaben.
- Bereitstellung einer Ressource für die weitere Erforschung metagenomischer Daten.
Schlussfolgerungen
- Deep Learning kann bei der biologischen Sequenzklassifikation erhebliche Hilfe leisten.
- Biologen können diese Werkzeuge ohne umfangreiche Schulung nutzen.
- Das Tutorial dient als wertvolle Ressource für Forscher.
Häufig gestellte Fragen
Executive Industry Relevance
Efficient classification of biological sequences in metagenomic data is critical for early discovery and target validation in biopharma R&D. This virtual machine platform enables non-computational scientists to deploy deep learning models for sequence classification, reducing technical barriers and accelerating data-driven insights. By democratizing access to advanced analytics, the approach supports portfolio-wide hypothesis testing and mechanistic de-risking.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables rapid interrogation of species, gene function, and viral host hypotheses in complex metagenomic datasets.
- Supports biological de-risking by providing robust sequence classification without requiring coding expertise.
- Facilitates functional target validation through scalable, reproducible deep learning workflows.
- Improves predictive confidence in early-stage portfolio triage by standardizing sequence annotation outputs.
Screening & Assay Development
- Prepares validated sequence datasets for downstream screening and assay development workflows.
- Standardizes classification outputs, supporting reproducibility and quantitative benchmarking across projects.
- Enables scalable evaluation of novel sequences, enhancing screening readiness for diverse targets.
- Streamlines platform reuse by providing a user-friendly, virtualized environment for repeated analyses.
Translational & Preclinical Research
- Aligns sequence classification outputs with disease-relevant systems for translational biomarker discovery.
- Maintains continuity from discovery through preclinical validation by supporting consistent data annotation.
- Reduces risk in translational advancement decisions by enabling robust, reproducible sequence analysis.
- Provides mechanistic de-risking for preclinical models through accurate sequence classification.
Pipeline & Workflow Integration
This virtual machine-based deep learning workflow integrates from early discovery through lead identification and preclinical research, supporting hypothesis testing and data annotation at multiple pipeline stages.
- Discovery Biology: Facilitates hypothesis testing and pathway clarification by enabling non-experts to classify novel sequences.
- Screening: Delivers reproducible, quantitative classification outputs for assay development and compound evaluation.
- Analytics: Provides standardized readouts and statistical outputs for cross-condition comparisons.
- Translational Research: Supports biomarker alignment and preclinical continuity through consistent sequence annotation.
- Enterprise Reuse: Offers a reusable, virtualized capability for ongoing sequence classification needs across programs.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in sequence-based discovery.
- Operational Value: Enhances standardization, reproducibility, and scalability of sequence classification workflows.
- Strategic Value: Enables better go/no-go decisions and capital efficiency by lowering technical barriers.
- Portfolio Impact: Supports risk-adjusted prioritization and advancement across discovery and preclinical portfolios.
Implementation Considerations
- Requires basic familiarity with virtual machine setup and file management.
- Needs access to VirtualBox software and sufficient computational resources for deep learning training.
- Relies on standardized input formats (e.g., FASTA) for sequence data.
- Cross-team standardization is supported by the virtualized, packaged environment.
- Best suited for simple to moderately complex classification tasks as demonstrated in the tutorial.
Biopharma FAQs
Chapters in this video
0:07
Introduction
1:35
The Installation of the Virtual Machine
4:11
Create Shared Folders and Prepare the Files for the Training Set and Test Set
6:55
Digitize the Biological Sequences Using “One‐Shot” Encoding Form
7:27
Train and Test the Artificial Neural Network
8:12
Result
8:52
Conclusion
