Una plataforma de máquina virtual para profesionales no informáticos para usar el aprendizaje profundo para clasificar secuencias biológicas de datos metagenómicos
25 de septiembre de 2021
Este tutorial describe un método simple para construir un algoritmo de aprendizaje profundo para realizar la clasificación de secuencias de 2 clases de datos metagenómicos.
Una variedad de tareas de clasificación de secuencias biológicas, como la clasificación de especies, la clasificación de la función génica y la clasificación del huésped de alambre son procesos esperados en muchos análisis de datos metagenómicos. Dado que los datos metagenómicos contienen un gran número de especies y genes novo, se necesitan organismos de clasificación de alto rendimiento en muchos estudios. Los biólogos a menudo encuentran desafíos para encontrar herramientas adecuadas de clasificación y notación de secuencias para una tarea específica y, a menudo, no pueden construir un organismo correspondiente por sí mismos debido a la falta del conocimiento matemático y computacional necesario.
Las técnicas de aprendizaje profundo se han convertido recientemente en un tema popular y muestran una gran ventaja en muchas tareas de clasificación. Hasta la fecha, se han desarrollado muchos paquetes de aprendizaje profundo altamente empaquetados, que hacen posible que los biólogos construyan marcos de aprendizaje profundo, de acuerdo con sus propias necesidades sin un conocimiento profundo de los detalles del organismo. En este tutorial, proporcionamos una guía para construir un marco de aprendizaje profundo fácil de usar para la clasificación de secuencias sin la necesidad de suficientes conocimientos matemáticos o habilidades de programación.
En el siguiente vídeo se muestra cómo utilizar la máquina virtual para realizar la clasificación de secuencias biológicas. Los usuarios deben descargar el archivo de la máquina virtual desde la página de inicio del tutorial y, a continuación, descargar el software VirtualBox. La máquina virtual se comprime como un archivo de setenta.
El archivo de setenta se puede descomprimir fácilmente utilizando un software de compresión actual, como WinRar, Winzip y 7-Zip. Descomprimimos la máquina virtual usando 7-Zip. La descompresión puede tomar algún tiempo.
Por favor, espere un momento. Después de la descompresión, los usuarios deben instalar el software VirtualBox. Cree una carpeta para instalar VirtualBox.
Cree un paquete de instalación de VirtualBox. Seleccione la carpeta creada por usted mismo. Luego instale el software VirutalBox haciendo clic en el botón siguiente en cada paso.
La instalación puede tardar algún tiempo, espere un tiempo. Abra el software VirtualBox. Cree un nuevo botón para crear una máquina virtual.
Escriba el nombre de la máquina virtual especificado por usted mismo en el marco de nombre. Seleccione Linux como sistema operativo en el marco de tipo. Seleccione Ubuntu en el marco de versión y haga clic en el botón siguiente.
Si es posible, asigne una mayor cantidad de memoria a la máquina virtual. True el uso de una selección de archivo de disco duro existente. Seleccione el archivo de máquina virtual descargado de la página de inicio del tutorial.
Y luego haga clic en el botón crear. Haga clic en un botón de inicio para abrir la máquina virtual. El inicio de la máquina virtual puede llevar un tiempo.
Por favor, espere un momento antes del siguiente paso. A continuación, los usuarios deben crear una carpeta compartida tanto en hosts físicos como en máquinas virtuales para intercambiar archivos. En su host físico, cree una carpeta compartida llamada host compartido y en el escritorio de la máquina virtual, cree una carpeta compartida llamada compartida VM.In la barra manual de la máquina virtual, haga clic en dispositivos, carpetas compartidas, configuración de carpetas compartidas sucesivamente.
Haga clic en el botón en la esquina superior derecha. Seleccione la carpeta compartida en el host físico creado por usted mismo. Seleccione la opción de montaje automático.
Haga clic en el botón Aceptar. A continuación, reinicie la máquina virtual. Reiniciar la máquina virtual puede llevar un tiempo.
Por favor, espere un momento antes del siguiente paso. Haga clic con el botón derecho en el escritorio de la máquina virtual y abra el terminal. Escriba el siguiente comando en el terminal.
Sudo, clave de espacio, montaje, tecla de espacio, barra T, clave de espacio, vboxsf, clave de espacio, host compartido, clave de espacio, barra diagonal de puntos, escritorio, barra diagonal, VM compartida.Cuando se le solicite una contraseña, ingrese una y toque la tecla enter. Copie los cuatro archivos de secuencia en un formato más rápido para el proceso de entrenamiento y prueba en la carpeta de host compartida del host físico. De esta manera, todos los archivos también se producirán en la carpeta de VM compartida de la máquina virtual.
A continuación, copie los archivos de la carpeta de máquina virtual compartida en la carpeta de aprendizaje profundo de la máquina virtual. Haga clic con el botón derecho y abra el terminal y escriba el siguiente comando para realizar la codificación en caliente. Barra diagonal de puntos, una codificación en caliente, especifique los archivos para entrenamiento y pruebas.
Y especifique el tipo de secuencia. A continuación, escriba el siguiente comando para iniciar el proceso de tendencia. Clave de espacio python, punto de tren P Y.Luego comenzará el proceso de tendencia.
Este proceso puede tardar unas horas o unos días, dependiendo del tamaño de su conjunto de datos. Cuando finaliza el proceso, el resultado de predicción de los datos de prueba está presente en el archivo CSV de punto de predicción. En nuestro trabajo anterior, desarrollamos una serie de herramientas de clasificación de secuencias para datos metagenómicos, utilizando un enfoque similar a este tutorial.
Por ejemplo, desarrollamos una herramienta destinada a identificar las proteínas virión completas y parciales del virus procariota a partir de datos de ejecución. Y una herramienta destinada a identificar fragmentos de ADN de fagos a partir de fragmentos de ADN cromosómico bacteriano en datos metogenómicos. El rendimiento de las herramientas que utilizan el script de este tutorial se muestra en la figura a y b.
En conclusión, este tutorial proporciona una visión general para biólogos y principiantes en diseño de organismos sobre cómo construir un marco de aprendizaje profundo fácil de usar para la clasificación de secuencias biológicas en datos metogenómicos. Este tutorial tiene como objetivo proporcionar una comprensión intuitiva del aprendizaje profundo y abordar el desafío que los principiantes a menudo tienen dificultades para comenzar el paquete de aprendizaje profundo y escribir el código para el organismo. Para algunas tareas de clasificación simples, los usuarios pueden usar nuestro marco para realizar la tarea de clasificación.
Vea la transcripción completa y acceda a miles de videos científicos
Visión general
Este tutorial proporciona una guía para construir un marco de aprendizaje profundo para la clasificación de secuencias de 2 clases de datos metagenómicos. Su objetivo es ayudar a los biólogos a superar los desafíos relacionados con la clasificación de secuencias sin requerir un extenso conocimiento matemático o de programación.
Componentes clave del estudio
Área de la ciencia
- Metagenómica
- Aprendizaje profundo
- Bioinformática
Antecedentes
- La clasificación de secuencias biológicas es crucial para varios análisis.
- Los datos metagenómicos a menudo incluyen numerosas especies y genes novedosos.
- Las herramientas de clasificación de alto rendimiento son esenciales para estudios efectivos.
- Muchos biólogos carecen de las habilidades computacionales para desarrollar estas herramientas de forma independiente.
Propósito del estudio
- Proporcionar un método accesible para la construcción de un marco de aprendizaje profundo.
- Permitir a los biólogos clasificar secuencias sin conocimientos técnicos profundos.
- Mejorar la usabilidad del aprendizaje profundo en la investigación biológica.
Métodos utilizados
- Desarrollo de un algoritmo de aprendizaje profundo fácil de usar.
- Directrices para tareas de clasificación de secuencias.
- Utilización de paquetes de aprendizaje profundo existentes.
- Enfoque en la clasificación de 2 clases de datos metagenómicos.
Resultados principales
- Construcción exitosa de un marco de aprendizaje profundo.
- Demostración de facilidad de uso para biólogos.
- Destacó la efectividad del aprendizaje profundo en tareas de clasificación.
- Proporcionó un recurso para la exploración adicional de datos metagenómicos.
Conclusiones
- El aprendizaje profundo puede ayudar significativamente en la clasificación de secuencias biológicas.
- Los biólogos pueden aprovechar estas herramientas sin una formación extensiva.
- El tutorial sirve como un recurso valioso para investigadores.
Preguntas frecuentes
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
