Name: Eine virtuelle Maschinenplattform für Nicht-Computer-Profis zur Verwendung von Deep Learning zur Klassifizierung biologischer Sequenzen metagenomischer Daten (Video) | JoVE Journal
Uploaded: 2021-09-25T14:00:00.000+00:00
Duration: 9 min 34 s
Description: Erfahren Sie, wie Sie Deep Learning für die Klassifizierung biologischer Sequenzen in metagenomischen Daten nutzen, ohne Programmierkenntnisse. Diese virtuelle Maschinenplattform ermöglicht Biologen die einfache Anwendung komplexer Analyseverfahren.

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

Diese Untersuchung wurde von der National Natural Science Foundation of China (81925026, 82002201, 81800746, 82102508) finanziell unterstützt.

1. Die Installation der virtuellen Maschine
<ol><li>Laden Sie die Datei der virtuellen Maschine von (https://github.com/zhenchengfang/DL-VM) herunter.</li>
	<li>Laden Sie die VirtualBox-Software von https://www.virtualbox.org herunter.</li>
	<li>Dekomprimieren Sie die Datei ".7z" mit verwandter Software, wie "7-Zip", "WinRAR" oder "WinZip".</li>
	<li>Installieren Sie die VirtualBox-Software, indem Sie in jedem Schritt auf die Schaltfläche Weiter klicken.</li>
	<li>Öffnen Sie die VirtualBox-Software und klicken Sie auf die Schaltfläche Neu, um eine virtuelle Maschine zu erstellen.</li>
	<li>Schritt 6: Geben Sie den angegebenen Namen der virtuellen Maschine in den Rahmen "Name" ein, wählen Sie Linux als Betriebssystem im Rahmen "Typ", wählen Sie Ubuntu im Rahmen "Version" und klicken Sie auf die Schaltfläche Weiter.</li>
	<li>Weisen Sie die Arbeitsspeichergröße der virtuellen Maschine zu. Es wird empfohlen, dass Benutzer die Schaltfläche ganz rechts von der grünen Leiste ziehen, um der virtuellen Maschine so viel Arbeitsspeicher wie möglich zuzuweisen, und dann auf die Schaltfläche Weiter klicken.</li>
	<li>Wählen Sie die Dateiauswahl Vorhandene virtuelle Festplatte verwenden, wählen Sie die Datei "VM_Bioinfo.vdi" aus Schritt 1.1 aus und klicken Sie dann auf die Schaltfläche Erstellen. </li>
	<li>Klicken Sie auf die Schaltfläche Stern, um die virtuelle Maschine zu öffnen. HINWEIS: Abbildung 3 zeigt den Screenshot des Desktops der virtuellen Maschine.</li>
</ol>2. Erstellen Sie freigegebene Ordner für Dateien, die zwischen dem physischen Host und der virtuellen Maschine ausgetauscht werden
<ol><li>Erstellen Sie auf dem 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".</li>
	<li>Klicken Sie in der Menüleiste der virtuellen Maschine nacheinander auf Geräte, Freigegebener Ordner, Einstellungen für freigegebene Ordner.</li>
	<li>Klicken Sie auf die Schaltfläche in der oberen rechten Ecke.</li>
	<li>Wählen Sie den freigegebenen Ordner auf dem physischen Host aus, der in Schritt 2.1 erstellt wurde, und wählen Sie die Option Automatisches Bereitstellen aus. Klicken Sie auf die Schaltfläche OK.</li>
	<li>Starten Sie die virtuelle Maschine neu.</li>
	<li>Klicken Sie mit der rechten Maustaste auf den Desktop der virtuellen Maschine und öffnen Sie das Terminal.</li>
	<li>Kopieren Sie den folgenden Befehl auf das Terminal: sudo mount -t vboxsf shared_host ./Desktop/shared_VM<ol>
<li>Wenn Sie zur Eingabe eines Kennworts aufgefordert werden, geben Sie "1" ein und drückenSiedie Eingabetaste, wie in Abbildung 4 dargestellt.</li>
	</ol>
</li>
</ol>3. Bereiten Sie die Dateien für das Trainingsset und das Testset vor
<ol><li>Kopieren Sie alle vier Sequenzdateien im "fasta"-Format für den Trainings- und Testprozess in den Ordner "shared_host" des physischen Hosts. Auf diese Weise werden alle Dateien auch im Ordner "shared_VM" der virtuellen Maschine angezeigt. Kopieren Sie dann die Dateien im Ordner "shared_VM" in den Ordner "DeepLearning" der virtuellen Maschine.</li>
</ol>4. Digitalisieren Sie die biologischen Sequenzen mit der "One-Hot" -Kodierungsform
<ol><li>Gehen Sie zum Ordner "DeepLearning", klicken Sie mit der rechten Maustaste und öffnen Sie das Terminal. Geben Sie den folgenden Befehl ein: ./onehot_encoding p_train.fasta n_train.fasta p_test.fasta n_test.fasta aa (für Aminosäuresequenzen) oder ./onehot_encoding p_train.fasta n_train.fasta p_test.fasta n_test.fasta nt (für Nukleinsäuresequenzen) HINWEIS: Ein Screenshot dieses Prozesses finden Sie in Abbildung 5.</li>
</ol>5. Trainieren und testen Sie das künstliche neuronale Netzwerk
<ol><li>Geben Sie im Terminal den folgenden Befehl ein, wie in Abbildung 6 dargestellt: Python-train.py HINWEIS: Der Schulungsprozess beginnt.</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>

Die Autoren erklären, dass keine Interessenkonflikte vorliegen.

Dieses Tutorial bietet Biologen und Anfängern des Algorithmendesigns einen Überblick darüber, wie ein einfach zu bedienendes Deep-Learning-Framework für die Klassifizierung biologischer Sequenzen in metagenomischen Daten erstellt werden kann. 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 installieren und den Code für den Algorithmus zu schreiben. Für einige einfache Klassifi...

Die metagenomische Sequenzierungstechnik umgeht den Prozess der Stammisolierung und sequenziert direkt die gesamte DNA in einer Umweltprobe. So enthalten metagenomische Daten DNA von verschiedenen Organismen, und die meisten biologischen Sequenzen stammen von neuartigen Organismen, die in der aktuellen Datenbank nicht vorhanden sind. Nach verschiedenen Forschungszwecken müssen Biologen diese Sequenzen aus verschiedenen Perspektiven klassifizieren, z. B. taxonomische Klassifikation1, Virus-Bakterien-Klassifikation2,3,4, Chromosomen-Plasmid-Klassifikation3,5,6,7und Genfunktionsannotation (z. B. Antibiotikaresistenz-Genklassifikation8 und Virulenzfaktorklassifikation9 ). Da metagenomische Daten eine große Anzahl neuartiger Arten und Gene enthalten, sind ab initio-Algorithmen, die nicht auf bekannte Datenbanken zur Sequenzklassifizierung (einschließlich DNA-Klassifikation und Proteinklassifizierung) angewiesen sind, ein wichtiger Ansatz in der metagenomischen Datenanalyse. Das Design solcher Algorithmen erfordert jedoch professionelle mathematische Kenntnisse und Programmierkenntnisse; Daher haben viele Biologen und Algorithmendesign-Anfänger Schwierigkeiten, einen Klassifizierungsalgorithmus zu konstruieren, der ihren eigenen Bedürfnissen entspricht.
Mit der Entwicklung der künstlichen Intelligenz wurden Deep-Learning-Algorithmen im Bereich der Bioinformatik weit verbreitet, um Aufgaben wie die Sequenzklassifizierung in der metagenomischen Analyse zu erledigen. Um Anfängern zu helfen, Deep-Learning-Algorithmen zu verstehen, beschreiben wir den Algorithmus im Folgenden auf leicht verständliche Weise.
Eine Übersicht über eine Deep-Learning-Technik ist in Abbildung 1 dargestellt. Die Kerntechnologie eines Deep-Learning-Algorithmus ist ein künstliches neuronales Netzwerk, das von der Struktur des menschlichen Gehirns inspiriert ist. Aus mathematischer Sicht kann ein künstliches neuronales Netzwerk als komplexe Funktion betrachtet werden. Jedes Objekt (z. B. eine DNA-Sequenz, ein Foto oder ein Video) wird zunächst digitalisiert. Das digitalisierte Objekt wird dann in die Funktion importiert. Die Aufgabe des künstlichen neuronalen Netzes ist es, eine korrekte Antwort entsprechend den Eingabedaten zu geben. Wenn beispielsweise ein künstliches neuronales Netzwerk konstruiert wird, um eine 2-Klassen-Klassifizierungsaufgabe auszuführen, sollte das Netzwerk eine Wahrscheinlichkeitsbewertung ausgeben, die zwischen 0-1 für jedes Objekt liegt. Das neuronale Netzwerk sollte dem positiven Objekt eine höhere Punktzahl geben (z. B. eine Punktzahl von mehr als 0,5), während es dem negativen Objekt eine niedrigere Punktzahl gibt. Um dieses Ziel zu erreichen, wird mit den Trainings- und Testprozessen ein künstliches neuronales Netzwerk aufgebaut. Während dieser Prozesse werden Daten aus der bekannten Datenbank heruntergeladen und dann in ein Trainingsset und ein Testset unterteilt. Jedes Objekt wird ordnungsgemäß digitalisiert und mit einer Beschriftung versehen ("1" für positive Objekte und "0" für negative Objekte). Im Trainingsprozess werden die digitalisierten Daten im Trainingsset in das neuronale Netz eingegeben. Das künstliche neuronale Netzwerk konstruiert eine Verlustfunktion, die die Unähnlichkeit zwischen dem Ausgabewert des Eingabeobjekts und der entsprechenden Bezeichnung des Objekts darstellt. Wenn die Bezeichnung des Eingabeobjekts beispielsweise "1" ist, während die Ausgabebewertung "0,1" ist, ist die Verlustfunktion hoch. und wenn die Bezeichnung des Eingabeobjekts "0" ist, während die Ausgabebewertung "0,1" ist, ist die Verlustfunktion niedrig. Das künstliche neuronale Netzwerk verwendet einen spezifischen iterativen Algorithmus, der die Parameter des neuronalen Netzwerks anpasst, um die Verlustfunktion zu minimieren. Der Trainingsprozess endet, wenn die Verlustfunktion offensichtlich nicht weiter verringert werden kann. Schließlich werden die Daten im Testset verwendet, um das feste neuronale Netzwerk zu testen, und die Fähigkeit des neuronalen Netzwerks, die richtigen Labels für die neuartigen Objekte zu berechnen, wird ausgewertet. Weitere Prinzipien von Deep-Learning-Algorithmen finden Sie im Review in LeCun et al. ( 10) DER PRÄSIDENT. - Nach der 10
Obwohl die mathematischen Prinzipien von Deep-Learning-Algorithmen komplex sein können, wurden kürzlich viele hochgepackte Deep-Learning-Pakete entwickelt, und Programmierer können direkt ein einfaches künstliches neuronales Netzwerk mit wenigen Codezeilen konstruieren.
Um Biologen und Anfängern des Algorithmendesigns den Einstieg in die Verwendung von Deep Learning zu erleichtern, bietet dieses Tutorial eine Richtlinie für die Erstellung eines benutzerfreundlichen Deep-Learning-Frameworks für die Sequenzklassifizierung. Dieses Framework verwendet die "One-Hot" -Kodierungsform als mathematisches Modell zur Digitalisierung der biologischen Sequenzen und verwendet ein neuronales Faltungsnetzwerk, um die Klassifizierungsaufgabe auszuführen (siehe ergänzendes Material). Das einzige, was die Benutzer tun müssen, bevor sie diese Richtlinie verwenden, ist die Vorbereitung von vier Sequenzdateien im "Fasta" -Format. Die erste Datei enthält alle Sequenzen der positiven Klasse für den Trainingsprozess (bezeichnet als "p_train.fasta"); die zweite Datei enthält alle Sequenzen der negativen Klasse für den Trainingsprozess (bezeichnet als "n_train.fasta"); die dritte Datei enthält alle Sequenzen der positiven Klasse für den Testprozess (bezeichnet als "p_test.fasta"); und die letzte Datei enthält alle Sequenzen der negativen Klasse für den Testprozess (im Folgenden "n_test.fasta"). Die Übersicht über das Flussdiagramm dieses Lernprogramms finden Sie in Abbildung 2, und weitere Details werden unten erwähnt.

<table><tbody><tr><td>PC oder Server</td><td>NA</td><td>NA</td><td>Empfohlener Arbeitsspeicher: >6GB</td></tr><tr><td>VirtualBox-Software</td><td>NA</td><td>NA</td><td>Link: https://www.virtualbox.org</td></tr></tbody></table>

eine virtuelle maschinenplattform für nicht-computer-profis zur verwendung von deep learning zur klassifizierung biologischer sequenzen metagenomischer daten

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

Eine Vielzahl von biologischen Sequenzklassifizierungsaufgaben, wie Speziesklassifizierung, Genfunktionsklassifikation und virale Wirtsklassifizierung, sind erwartete Prozesse in vielen metagenomischen Datenanalysen. Da metagenomische Daten eine große Anzahl neuartiger Arten und Gene enthalten, werden in vielen Studien leistungsfähige Klassifikationsalgorithmen benötigt. Biologen stoßen oft auf Herausforderungen, geeignete Sequenzklassifikations- und Annotationswerkzeuge für eine bestimmte Aufgabenstellung zu finden und sind oft nicht in der Lage, einen entsprechenden Algorithmus 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 starke Vorteile. 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 Algorithmus eingehend zu wissen. In diesem Tutorial stellen wir eine Anleitung zur Verfügung, um ein einfach zu bedienendes Deep-Learning-Framework für die Sequenzklassifizierung zu erstellen, ohne dass ausreichende mathematische Kenntnisse oder Programmierkenntnisse erforderlich sind. Der gesamte Code wird in einer virtuellen Maschine optimiert, sodass Benutzer den Code direkt mit ihren eigenen Daten ausführen können.

In unserer vorherigen Arbeit haben wir eine Reihe von Sequenzklassifizierungswerkzeugen für metagenomische Daten entwickelt, die einen ähnlichen Ansatz wie dieses Tutorial3,11,12verwenden. Als Beispiel haben wir die Sequenzdateien der Teilmenge von Trainingssatz und Testset aus unserer vorherigen Arbeit3,11 in der virtuellen Maschine abgelegt.
<p class="jove_content"...

Dieses Tutorial beschreibt eine einfache Methode zum Erstellen eines Deep-Learning-Algorithmus für die 2-Klassen-Sequenzklassifizierung metagenomischer Daten.

Eine virtuelle Maschinenplattform für Nicht-Computer-Profis zur Verwendung von Deep Learning zur Klassifizierung biologischer Sequenzen metagenomischer Daten

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

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.

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

Research

Forschung

JoVE Journal

Genetics

Genetik

RNA-Seq-Analysen werden immer wichtiger, um die molekularen Grundlagen adaptiver Merkmale in Nicht-Modellorganismen zu identifizieren. In dieser Arbeit wird ein Protokoll zur Identifizierung differentiell exprimierter Gene zwischen Diapause- und Nicht-Diapause-Aedes albopictus-Mücken beschrieben, von der Mückenaufzucht über die RNA-Sequenzierung bis hin zu bioinformatischen Analysen von RNA-Seq-Daten.

Eine experimentelle und Bioinformatik-Protokoll für die RNA-seq Analysen der Photoperiodische Diapause in den asiatischen Tigermücke, Aedes albopictus

Mit der Mukoviszidose Atemwege als Beispiel präsentiert das Manuskript eine umfassende Workflow mit einer Kombination aus Metagenom und metatranscriptomic Ansätze, um die mikrobiellen und viralen Gemeinden in Tierassoziierte Proben zu charakterisieren.

Reinigung der Unreine: Sequencing Metagenomen und Metatranscriptomes von Complex Tierassoziierte Proben

Metagenomik wurde verwendet, um das Mikrobiom von Silage-Rinderfutter zu untersuchen. Die Analyse wurde durch Schrotflintensequenzierung durchgeführt. Dieser Ansatz wurde verwendet, um die Zusammensetzung der mikrobiellen Gemeinschaft im Viehfutter zu charakterisieren.

Metagenomanalyse von Silage

Dieses Protokoll beschreibt einen vergleichenden Arbeitsablauf für die Assemblierung und Annotation von De-novo-Transkriptomen für unerfahrene Bioinformatiker. Der Workflow ist vollständig über CyVerse kostenlos verfügbar und über den Data Store verbunden. Es werden Befehlszeilen und grafische Benutzeroberflächen verwendet, aber der gesamte benötigte Code steht zum Kopieren und Einfügen zur Verfügung.

Nutzung von CyVerse Resources für<em&gt; De Novo</em&gt; Vergleichende Transkriptomik von unversicherten (Nicht-Modell-) Organismen

Gezielte Sequenzierung der nächsten Generation ist eine Zeit- und kosteneffiziente Ansatz, der in der Erforschung von Krankheiten und der klinischen Diagnostik immer beliebter wird. Das hier beschriebene Protokoll stellt die komplexen Workflow für die Sequenzierung erforderlich und der Bioinformatik-Prozess verwendet, um Genvarianten identifizieren, die zur Krankheit beitragen.

Gezielte Sequenzierung der nächsten Generation und Bioinformatik-Pipeline, um genetische Determinanten der konstitutionelle Krankheit zu bewerten

Tiefe Sequenzierung der Hefe Bevölkerung ausgewählt für positive Hefe 2-Hybrid Interaktionen potenziell liefert eine Fülle von Informationen über interagierenden Partner Proteine. Hier beschreiben wir den Betrieb von bestimmten Bioinformatik und aktualisierte Individualsoftware Sequenzdaten von solchen Bildschirmen zu analysieren.

Informatischen Analyse von Sequenzdaten von Batch-Hefe-2-Hybrid-Bildschirme

Hier wird ein vereinfachtes Standard-Betriebsverfahren für die Mikrobiom-Profilierung mit 16S rRNA metagenomischer Sequenzierung und Analyse mit frei verfügbaren Werkzeugen beschrieben. Dieses Protokoll wird Forschern helfen, die neu im Mikrobiom-Bereich sind, sowie solchen, die Aktualisierungen von Methoden benötigen, um bakterielleS Profiling mit einer höheren Auflösung zu erreichen.

Mikrobiota-Analyse mit zweistufiger PCR- und 16S-rRNA-Gensequenzierung der nächsten Generation

Das hier vorgestellte Protokoll beschreibt eine komplette Pipeline zur Analyse von RNA-Sequenzierungs-Transkriptomdaten von Rohlesungen bis hin zur Funktionsanalyse, einschließlich Qualitätskontroll- und Vorverarbeitungsschritten bis hin zu fortschrittlichen statistischen Analyseansätzen.

Hochdurchsatz-Transkriptomanalyse zur Untersuchung von Wirt-Pathogen-Interaktionen

Diese analytische Berechnungsplattform bietet praktische Anleitungen für Mikrobiologen, Ökologen und Epidemiologen, die sich für die Genomik der Bakterienpopulation interessieren. Insbesondere zeigte die hier vorgestellte Arbeit, wie man Folgendes durchführt: i) phylogenie-geführte Kartierung hierarchischer Genotypen; ii) frequenzbasierte Analyse von Genotypen; iii) Verwandtschafts- und Klonalitätsanalysen; iv) Identifizierung der Abstammungsdifferenzierung der akzessorischen Loci.

Heuristisches Mining von hierarchischen Genotypen und akzessorischen Genomloci in Bakterienpopulationen

Mime ist ein flexibles Rechen-Framework zur Erstellung eines auf maschinellem Lernen basierenden Integrationsmodells mit eleganter Leistung. Hier bieten wir ein detailliertes Schritt-für-Schritt-Verfahren für die Entwicklung von Vorhersagemodellen mit hoher Genauigkeit, wobei wir komplexe Datensätze nutzen, um kritische Gene zu identifizieren, die mit dem Fortschreiten der Krankheit, den Patientenergebnissen und dem therapeutischen Ansprechen verbunden sind.

Erstellen und Visualisieren von Modellen mit einem Mime-basierten Framework für maschinelles Lernen

Erfahren Sie, wie Sie Deep Learning für die Klassifizierung biologischer Sequenzen in metagenomischen Daten nutzen, ohne Programmierkenntnisse. Diese virtuelle Maschinenplattform ermöglicht Biologen die einfache Anwendung komplexer Analyseverfahren.

Eine virtuelle Maschinenplattform für Nicht-Computer-Profis zur Verwendung von Deep Learning zur Klassifizierung biologischer Sequenzen metagenomischer Daten (Video) | JoVE Journal

Eine virtuelle Maschinenplattform für Nicht-Computer-Profis zur Verwendung von Deep Learning zur Klassifizierung biologischer Sequenzen metagenomischer Daten

Weitere Videos entdecken