Name: 메지노믹 데이터의 생물학적 시퀀스를 분류하기 위해 딥 러닝을 사용하기 위한 비컴퓨터 전문가를 위한 가상 머신 플랫폼 (동영상) | JoVE Journal
Uploaded: 2021-09-25T14:00:00.000+00:00
Duration: 9 min 34 s
Description: 학습하세요 메타지노믹 데이터의 생물학적 서열 분류를 위한 딥 러닝 프레임워크 구축 방법을 가상 머신 환경에서 코딩 없이 활용하는 전체 과정을 단계별로 익히세요.

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

이 조사는 중국 국립 자연 과학 재단 (81925026, 82002201, 81800746, 82102508)에 의해 재정적으로 지원되었습니다.

1. 가상 시스템의 설치
<ol><li>(https://github.com/zhenchengfang/DL-VM)에서 가상 머신 파일을 다운로드합니다.</li>
	<li>https://www.virtualbox.org 버추얼 박스 소프트웨어를 다운로드합니다.</li>
	<li>"7-Zip", "WinRAR" 또는 "WinZip"과 같은 관련 소프트웨어를 사용하여 ".7z" 파일의 압축을 풀수 있습니다.</li>
	<li>각 단계에서 다음 단추를 클릭하여 VirtualBox 소프트웨어를 설치합니다.</li>
	<li>버추얼박스 소프트웨어를 열고 새 버튼을 클릭하여 가상 컴퓨터를 만듭니다.</li>
	<li>6단계: "이름" 프레임에 지정된 가상 머신 이름을 입력하고, Linux를 "유형" 프레임의 운영 체제로 선택하고, "버전" 프레임에서 우분투를 선택하고 다음 단추를 클릭합니다.</li>
	<li>가상 시스템의 메모리 크기를 할당합니다. 사용자가 버튼을 녹색 막대의 오른쪽 대부분 부분으로 당겨 가상 컴퓨터에 가능한 한 많은 메모리를 할당한 다음 다음 단추를 클릭하는 것이 좋습니다.</li>
	<li>기존 가상 하드 디스크 파일 선택 사용, 1.1 단계에서 다운로드한 파일 "VM_Bioinfo.vdi"를 선택한 다음 만들기 단추를 클릭합니다. </li>
	<li>스타 버튼을 클릭하여 가상 컴퓨터를 엽니다. 참고: 그림 3에는 가상 컴퓨터의 바탕 화면의 스크린샷이 표시됩니다.</li>
</ol>2. 실제 호스트와 가상 컴퓨터 간에 교환되는 파일에 대한 공유 폴더 만들기
<ol><li>실제 호스트에서 "shared_host"이라는 공유 폴더를 만들고 가상 컴퓨터의 바탕 화면에 "shared_VM"이라는 공유 폴더를 만듭니다.</li>
	<li>가상 시스템의 메뉴 표시줄에서 장치, 공유 폴더, 공유 폴더 설정을 연속적으로 클릭합니다.</li>
	<li>오른쪽 상단 모서리에 있는 단추를 클릭합니다.</li>
	<li>2.1 단계에서 만든 실제 호스트에서 공유 폴더를 선택하고 자동 마운트 옵션을 선택합니다. 확인 버튼을 클릭합니다.</li>
	<li>가상 컴퓨터를 다시 시작합니다.</li>
	<li>가상 시스템의 바탕 화면을 마우스 오른쪽 단추로 클릭하고 터미널을 엽니다.</li>
	<li>다음 명령을 터미널에 복사합니다. sudo 마운트 -t vboxsf shared_host ./데스크탑/shared_VM<ol>
<li>암호에 대한 메시지가 표시되면 "1"을 입력하고 그림 4에표시된 대로 "키입력"을누르면 됩니다.</li>
	</ol>
</li>
</ol>3. 교육 세트 및 테스트 세트에 대한 파일을 준비
<ol><li>교육 및 테스트 프로세스를 위해 4개의 시퀀스 파일을 모두 "fasta" 형식으로 실제 호스트의 "shared_host" 폴더에 복사합니다. 이러한 방식으로 모든 파일은 가상 시스템의 "shared_VM" 폴더에서도 발생합니다. 그런 다음 "shared_VM" 폴더의 파일을 가상 시스템의 "DeepLearning" 폴더에 복사합니다.</li>
</ol>4. "원 핫" 인코딩 양식을 사용하여 생물학적 서열을 디지털화
<ol><li>"DeepLearning" 폴더로 이동하여 오른쪽 단추를 클릭하고 터미널을 엽니다. 다음 명령을 입력합니다. ./onehot_encoding p_train.fasta n_train.fasta p_test.fasta n_test.fasta aa (아미노산 서열용) 또는 ./onehot_encoding p_train.fasta n_train.fasta p_test.fasta n_test.fasta nt (핵산 서열용) 참고: 이 프로세스의 스크린샷은 그림 5에서제공됩니다.</li>
</ol>5. 인공 신경망을 훈련하고 테스트합니다.
<ol><li>단말에서 그림 6에도시된 대로 다음 명령을 입력합니다. 파이썬 train.py 참고: 교육 과정이 시작됩니다.</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>

저자는 이해 상충이 없다고 선언합니다.

이 자습서에서는 생물학자 및 알고리즘 설계 초보자에게 메라지노믹 데이터에서 생물학적 서열 분류를 위한 사용이 간편한 딥 러닝 프레임워크를 구성하는 방법에 대한 개요를 제공합니다. 이 자습서는 딥 러닝에 대한 직관적인 이해를 제공하고 초보자가 딥 러닝 패키지를 설치하고 알고리즘에 대한 코드를 작성하는 데 어려움을 가지는 과제를 해결하는 것을 목표로 합니다. 몇 가지 간단한 분류 작업의 경우 사용자는 프레임워크를 사용하여 분류 작업을 수행할 수 있습니다.
많은 생물학자가 Linux 운영 체제의 명령줄에 익숙하지 않다는 점을 고려하여 가상 시스템에 모든 종속 소프트웨어를 미리 설치했습니다. 이러한 방식으로 사용자는 위에서 언급한 프로토콜에 따라 가상 컴퓨터에서 코드를 직접 실행할 수 있습니다. 또한 사용자가 Linux 운영 체제 및 Python 프로그래밍에 익숙한 경우 서버 또는 로컬 PC에서 직접 이 프로토콜을 실행할 수도 있습니다. 이러한 방식으로 사용자는 다음과 같은 종속 소프트...

메타게놈 시퀀싱 기술은 균주 격리 과정을 우회하고 환경 샘플에서 총 DNA를 직접 서열시합니다. 따라서, 메막뇨 데이터는 다른 유기체로부터의 DNA를 포함하고, 대부분의 생물학적 서열은 현재 데이터베이스에 존재하지 않는 새로운 유기체에서 온 것이다. 상이한 연구 목적에 따르면, 생물학자들은 분류학 분류1,바이러스 박테리아 분류2,3,4,염색체 플라스미드 분류3,5,6,7및 유전자 기능 성(예: 항생 저항 유전자 분류8 및 독성 인자 분류 9)과 같은 다른 관점에서 이러한 서열을 분류해야 합니다. ). 메막뇨 데이터는 많은 수의 새로운 종과 유전자를 포함하기 때문에, 서열 분류를 위한 알려진 데이터베이스에 의존하지 않는 ab initio 알고리즘(DNA 분류 및 단백질 분류 포함), metagenomic 데이터 분석에 있는 중요한 접근입니다. 그러나 이러한 알고리즘의 설계에는 전문 수학 지식과 프로그래밍 기술이 필요합니다. 따라서 많은 생물학자와 알고리즘 설계 초보자는 자신의 요구에 맞게 분류 알고리즘을 구성하는 데 어려움을 가지고 있습니다.
인공 지능의 발달과 함께, 딥 러닝 알고리즘은 생물 정보학 분야에서 널리 사용되어 메막뇨 분석에서 서열 분류와 같은 작업을 완료했습니다. 초보자가 딥 러닝 알고리즘을 이해할 수 있도록 아래의 이해하기 쉬운 방식으로 알고리즘을 설명합니다.
딥 러닝 기술에 대한 개요는 그림 1에표시됩니다. 딥 러닝 알고리즘의 핵심 기술은 인간의 뇌의 구조에서 영감을 얻은 인공 신경망입니다. 수학적 관점에서 인공 신경망은 복잡한 기능으로 간주될 수 있다. 각 개체(예: DNA 서열, 사진 또는 비디오)가 먼저 디지털화됩니다. 그런 다음 디지털화된 개체를 함수로 가져옵니다. 인공 신경망의 임무는 입력 데이터에 따라 올바른 응답을 제공하는 것입니다. 예를 들어 2클래스 분류 작업을 수행하기 위해 인공 신경망이 생성되는 경우 네트워크는 각 개체에 대해 0-1 사이의 확률 점수를 출력해야 합니다. 신경망은 음수 물체에게 낮은 점수를 주면서 양수 객체에게 더 높은 점수(예: 0.5보다 높은 점수)를 제공해야 합니다. 이 목표를 달성하기 위해 인공 신경망은 교육 및 테스트 프로세스로 구성됩니다. 이러한 프로세스 중에 알려진 데이터베이스의 데이터를 다운로드한 다음 교육 집합 및 테스트 집합으로 나뉩니다. 각 개체는 적절한 방식으로 디지털화되고 레이블(양수 개체의 경우 "1", 음수 객체의 경우 "0")이 지정됩니다. 교육 과정에서 교육 집합의 디지털화된 데이터가 신경망에 입력됩니다. 인공 신경망은 입력 개체의 출력 점수와 개체의 해당 레이블 간의 유사성을 나타내는 손실 함수를 생성합니다. 예를 들어 입력 개체의 레이블이 "1"인 경우 출력 점수가 "0.1"인 경우 손실 함수가 높습니다. 출력 점수가 "0.1"인 동안 입력 개체의 레이블이 "0"인 경우 손실 함수가 낮습니다. 인공 신경망은 손실 기능을 최소화하기 위해 신경망의 매개 변수를 조정하는 특정 반복 알고리즘을 사용합니다. 손실 기능이 분명히 더 감소할 수 없을 때 교육 프로세스가 끝납니다. 마지막으로, 테스트 세트의 데이터는 고정 신경망을 테스트하는 데 사용되며, 신경망이 새 개체에 대한 올바른 라벨을 계산하는 기능이 평가된다. 딥 러닝 알고리즘의 더 많은 원칙은 LeCun 등의 검토에서 찾을 수 있습니다. 10.
딥 러닝 알고리즘의 수학적 원칙은 복잡할 수 있지만 최근에는 많은 고도로 포장된 딥 러닝 패키지가 개발되었으며 프로그래머는 몇 줄의 코드로 간단한 인공 신경망을 직접 구성할 수 있습니다.
생물학자와 알고리즘 설계 초보자가 딥 러닝을 보다 신속하게 사용하도록 돕기 위해 이 튜토리얼은 시퀀스 분류를 위한 사용하기 쉬운 딥 러닝 프레임워크를 구성하는 지침을 제공합니다. 이 프레임워크는 "1-hot" 인코딩 양식을 수학적 모델로 사용하여 생물학적 서열을 디지털화하고 컨볼루션 신경망을 사용하여 분류 작업을 수행합니다(보충 자료참조). 사용자가 이 지침을 사용하기 전에 수행해야 하는 유일한 방법은 "fasta" 형식으로 4개의 시퀀스 파일을 준비하는 것입니다. 첫 번째 파일에는 교육 프로세스에 대한 양수 클래스의 모든 시퀀스가 포함되어 있습니다("p_train.fasta"라고 함); 두 번째 파일에는 교육 프로세스에 대한 음수 클래스의 모든 시퀀스가 포함되어 있습니다("n_train.fasta"라고 함); 세 번째 파일에는 테스트 프로세스에 대한 양수 클래스의 모든 시퀀스가 포함되어 있습니다("p_test.fasta"라고 함); 마지막 파일에는 테스트 프로세스에 대한 음수 클래스의 모든 시퀀스가 포함되어 있습니다("n_test.fasta"라고 함). 이 자습서의 순서도 개요는 그림 2에제공되며 자세한 내용은 아래에 설명됩니다.

<table><tbody><tr><td>PC 또는 서버</td><td></td><td>NA</td><td>NA 권장 메모리: >6GB</td></tr><tr><td>VirtualBox 소프트웨어</td><td>NA</td><td></td><td>NA 링크: https://www.virtualbox.org</td></tr></tbody></table>

메지노믹 데이터의 생물학적 시퀀스를 분류하기 위해 딥 러닝을 사용하기 위한 비컴퓨터 전문가를 위한 가상 머신 플랫폼

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

종 분류, 유전자 기능 분류 및 바이러스 숙주 분류와 같은 다양한 생물학적 서열 분류 작업은 많은 메타게놈 데이터 분석에서 예상되는 과정이다. 메막뇨 데이터는 많은 수의 새로운 종과 유전자를 포함하고 있기 때문에, 많은 연구 결과에서 고성과 분류 알고리즘이 필요합니다. 생물학자는 종종 특정 작업에 적합한 서열 분류 및 어노칭 도구를 찾는 데 어려움을 겪고 있으며 필요한 수학 및 계산 지식이 부족하여 자체적으로 해당 알고리즘을 구성할 수 없습니다. 딥 러닝 기술은 최근 인기있는 주제가되었고 많은 분류 작업에서 강력한 이점을 보여줍니다. 현재까지 많은 고도로 포장된 딥 러닝 패키지로 생물학자들이 알고리즘 세부 사항에 대한 심층적인 지식 없이 자신의 필요에 따라 딥 러닝 프레임워크를 구축할 수 있도록 개발되었습니다. 이 자습서에서는 충분한 수학적 지식이나 프로그래밍 기술 없이 시퀀스 분류를 위한 사용하기 쉬운 딥 러닝 프레임워크를 구성하는 지침을 제공합니다. 모든 코드는 사용자가 자신의 데이터를 사용하여 코드를 직접 실행할 수 있도록 가상 시스템에 최적화됩니다.

이전 작업에서는 이 자습서3,11, 12와유사한 접근 방식을 사용하여 메타게놈 데이터에 대한 일련의 서열 분류 도구를개발했습니다. 예를 들어, 우리는 가상 머신에서 이전 작업3,11에서 교육 세트 및 테스트 세트의 순서 파일을 증착했습니다.
팡 &amp; 저우11 은 비롬 데이터에서 완전하고 부분적인 원핵 바이러스 비리온 단백질을 식별하는 것을 목표로했다. 파일 "p_train.fasta"는 훈련 세트에 대한 바이러스 비리온 단백질 단편을 포함; 파일 "n_train.fasta"는 훈련 세트에 대한 바이러스 비비비리온 단백질 단편을 포함; 파일 "p_test.fasta...

이 자습서는 메타게노믹 데이터의 2클래스 시퀀스 분류를 수행하기 위한 딥 러닝 알고리즘을 구성하는 간단한 방법을 설명합니다.

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

종 분류, 유전자 기능 분류 및 와이어 숙주 분류와 같은 다양한 생물학적 서열 분류 작업은 많은 메나게놈 데이터 분석에서 예상되는 과정이 다수 이다. 메막뇨 데이터는 많은 수의 노보 종과 유전자를 포함하고 있기 때문에, 고성능 분류 유기체는 많은 연구 결과에서 필요합니다. 생물학자는 종종 특정 작업에 적합한 서열 분류 및 표기 도구 찾기에 어려움을 겪고 있으며 필요한 수학 및 계산 지식이 부족하여 해당 유기체를 스스로 구성할 수 없습니다.딥 러닝 기술은 최근 인기있는 주제가되었으며 많은 분류 작업에서 강력한 이점을 보여줍니다. 현재까지 많은 고도로 포장된 딥 러닝 패키지로 생물학자들이 유기체 세부 사항에 대한 심층적 지식 없이 자신의 필요에 따라 딥 러닝 프레임워크를 구축할 수 있게 되었습니다. 이 자습서에서는 충분한 수학적 지식이나 프로그래밍 기술 없이 시퀀스 분류를 위해 쉽게 사용할 수 있는 딥 러닝 프레임워크를 구성하는 지침을 제공합니다.다음 비디오는 가상 컴퓨터를 사용하여 생물학적 서열 분류를 수행하는 방법을 보여 주습니다. 사용자는 튜토리얼 홈페이지에서 가상 머신 파일을 다운로드한 다음 VirtualBox 소프트웨어를 다운로드해야 합니다. 가상 시스템은 70개의 파일로 압축됩니다.70 개의 파일은 WinRar, Winzip 및 7 Zip과 같은 전류 압축 소프트웨어를 사용하여 쉽게 압축 해제 할 수 있습니다. 우리는 7-Zip을 사용하여 가상 머신의 압축을 풀었다. 감압에는 다소 시간이 걸릴 수 있습니다.잠시 기다려 주십시오. 압축 을 해제 한 후 사용자는 버추얼 박스 소프트웨어를 설치해야합니다. 버추얼박스를 설치하는 폴더를 만듭니다.버추얼박스 설치 패키지를 만듭니다. 직접 만든 폴더를 선택합니다. 그런 다음 각 단계의 다음 단추를 클릭하여 VirutalBox 소프트웨어를 설치합니다.설치시간이 좀 걸릴 수 있으므로 잠시 기다려 주십시오. 버추얼박스 소프트웨어를 엽니다. 가상 컴퓨터를 만들 새 단추를 만듭니다.이름 프레임에 직접 지정한 가상 컴퓨터 이름을 입력합니다. 유형 프레임에서 운영 체제로 Linux를 선택합니다. 버전 프레임에서 우분투를 선택하고 다음 단추를 클릭합니다.가능하면 가상 시스템에 더 많은 양의 메모리를 할당합니다. 실제 사용 기존 하드 디스크 파일 선택입니다. 튜토리얼 홈페이지에서 다운로드한 가상 머신 파일을 선택합니다.그런 다음 만들기 단추를 클릭합니다. 시작 버튼을 클릭하여 가상 컴퓨터를 엽니다. 가상 컴퓨터를 시작하는 데 시간이 걸릴 수 있습니다.다음 단계 전에 잠시 기다려주십시오. 그런 다음 사용자는 파일을 교환하려면 실제 호스트와 가상 컴퓨터 모두에서 공유 폴더를 만들어야 합니다. 실제 호스트에서 공유 호스트라는 공유 폴더와 가상 컴퓨터의 바탕 화면에 공유 된 폴더를 만들고 가상 시스템의 수동 막대를 VM.In 클릭하고 장치, 공유 폴더, 공유 폴더 설정을 연속적으로 공유합니다.오른쪽 상단 모서리에 있는 단추를 클릭합니다. 직접 만든 실제 호스트에서 공유 폴더를 선택합니다. 자동 마운트 옵션을 선택합니다.확인 버튼을 클릭합니다. 그런 다음 가상 컴퓨터를 다시 시작합니다. 가상 컴퓨터를 다시 시작하는 데 시간이 걸릴 수 있습니다.다음 단계 전에 잠시 기다려주십시오. 가상 시스템의 바탕 화면을 마우스 오른쪽 단추로 클릭하고 터미널을 엽니다. 터미널에 다음 명령을 입력합니다.Sudo, 공간 키, 마운트, 공간 키, 바 T, 공간 키, vboxsf, 공간 키, 공유 호스트, 공간 키, 도트 슬래시, 데스크톱, 슬래시, 공유 VM.암호에 대한 메시지가 표시되면 하나를 입력하고 입력 키를 누릅니다. 교육 및 테스트 프로세스를 위해 네 개의 시퀀스 파일을 모두 더 빠른 형식으로 복사하여 실제 호스트의 공유 호스트 폴더에 복사합니다. 이러한 방식으로 모든 파일은 가상 시스템의 공유 VM 폴더에서도 발생합니다.그런 다음 공유 VM 폴더의 파일을 가상 시스템의 딥 러닝 폴더에 복사합니다. 오른쪽 단추를 클릭하고 터미널을 열고 다음 명령을 입력하여 핫 인코딩을 수행합니다. 핫 인코딩 중 하나인 도트 슬래시는 교육 및 테스트를 위한 파일을 지정합니다.그리고 시퀀스 유형을 지정합니다. 그런 다음 다음 명령을 입력하여 추세 프로세스를 시작합니다. 파이썬 공간 키, 기차 도트 P Y.다음 추세 과정이 시작됩니다.이 프로세스는 데이터 집합 크기에 따라 몇 시간 또는 며칠이 걸릴 수 있습니다. 프로세스가 완료되면 테스트 데이터의 예측 결과가 예측 점 CSV 파일에 있습니다. 이전 작업에서는 이 자습서와 유사한 접근 방식을 사용하여 메타게놈 데이터에 대한 일련의 시퀀스 분류 도구를 개발했습니다.예를 들어, 우리는 실행 데이터에서 완전하고 부분적인 원핵 바이러스 비리온 단백질을 식별하는 것을 목표로 하는 도구를 개발했습니다. 그리고 메토게놈 데이터의 세균성 염색체 DNA 단편에서 파지 DNA 단편을 확인하는 것을 목표로 하는 공구. 이 자습서의 스크립트를 사용하는 도구의 성능은 그림 a와 b에 표시됩니다.결론적으로, 이 튜토리얼은 생물학자와 유기체 설계 초보자가 메토게놈 데이터에서 생물학적 서열 분류를 위한 심층 학습 프레임워크를 쉽게 사용하는 방법에 대한 개요를 제공합니다. 이 튜토리얼은 딥 러닝에 대한 직관적인 이해를 제공하고 초보자가 종종 딥 러닝 패키지를 시작하고 유기체에 대한 코드를 작성하는 데 어려움이 있는 과제를 해결하는 것을 목표로 합니다. 몇 가지 간단한 분류 작업의 경우 사용자는 프레임워크를 사용하여 분류 작업을 수행할 수 있습니다.

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

Research

연구

JoVE Journal

Genetics

유전학

RNA-Seq 분석은 비모델 유기체에서 적응 형질의 분자 토대를 식별하는 데 점점 더 중요해지고 있습니다. 여기에서는 모기 사육에서 RNA 염기서열 분석 및 RNA-Seq 데이터의 생물정보학 분석에 이르기까지 diapause와 non-diapause Aedes albopictus 모기 사이에 차등적으로 발현된 유전자를 식별하는 프로토콜에 대해 설명합니다.

아시아 타이거 모기에 Photoperiodic 휴면의 RNA-서열 분석을위한 실험 및 생물 정보학 프로토콜, Aedes albopictus

일례로서 낭포 성 섬유증을기도하여, 원고는 동물 시료에서 관련 미생물 및 바이러스를 특성화하기 위해 커뮤니티 metagenomic metatranscriptomic 및 방법의 조합을 포함하는 포괄적 인 흐름을 나타낸다.

불순한 정화 : 연속 Metagenomes 및 Metatranscriptomes을 복잡한 동물 관련 샘플에서

메타유전체학(Metagenomics)을 사용하여 사일리지 소 사료의 마이크로바이옴을 조사했습니다. 분석은 샷건 염기서열분석(shotgun sequencing)으로 수행하였다. 이 접근법은 소 사료 내 미생물 군집의 구성을 특성화하는 데 사용되었습니다.

목초의 군 유전체학 분석

이 프로토콜은 초보 생물정보학자를 위한 comparative de novo transcriptome assembly and annotation workflow를 간략하게 설명합니다. 워크플로우는 CyVerse를 통해 완전히 무료로 사용할 수 있으며 데이터 스토어로 연결됩니다. 명령줄 및 그래픽 사용자 인터페이스가 사용되지만 필요한 모든 코드를 복사하여 붙여넣을 수 있습니다.

CyVerse 리소스 활용<em&gt; 드 노보</em&gt; 비포장 (비 모델) 생물의 비교 전이학

타겟된 다음-세대 시퀀싱 질병 연구 및 임상 진단에서 점점 인기 끌고있다는 시간 및 비용 효율적인 접근 이다. 여기에 설명 된 프로토콜 시퀀싱에 필요한 복잡 한 워크플로 및 질병을 유전 이체를 식별 하는 데 사용 하는 생물 정보학 과정을 제공 합니다.

다음-세대 시퀀싱과 생물 정보학 파이프라인 헌법 질병의 유전 결정 요인 평가 대상

효 모 인구 잠재적으로 긍정적인 효 모 2 잡종 상호 작용에 대 한 선택의 깊은 시퀀싱 풍부한 파트너 단백질 상호 작용에 대 한 정보를 생성 합니다. 여기, 우리가 특정 생물 정보학 도구와 같은 화면에서 시퀀스 데이터 분석 사용자 지정 된 업데이트 소프트웨어의 동작을 설명 합니다.

일괄 처리 효 모 2 잡종 스크린에서 시퀀스 데이터의 informatic 분석

여기에 설명된 16S rRNA 메타게놈 시퀀싱 및 자유롭게 사용할 수 있는 도구를 사용하여 분석하는 미생물군유전체 프로파일링을 위한 간소화된 표준 작동 절차입니다. 이 프로토콜은 미생물군유전체 분야를 새로운 연구자뿐만 아니라 더 높은 해상도에서 박테리아 프로파일링을 달성하기 위한 방법에 대한 업데이트를 요구하는 연구자들에게 도움이 될 것입니다.

2단계 PCR 및 차세대 16S rRNA 유전자 시퀀싱을 사용한 미생물 분석

여기에 제시된 프로토콜은 고급 통계 분석 접근법에 품질 관리 및 전처리 단계를 포함하여 원시 읽기에서 기능 분석에 RNA-시퀀싱 전사 데이터를 분석하는 완전한 파이프라인을 설명합니다.

호스트-병원체 상호 작용을 조사하기 위한 고처리량 전사 분석

이 분석 전산 플랫폼은 박테리아 집단 유전체학에 관심이있는 미생물 학자, 생태 학자 및 역학자에게 실질적인 지침을 제공합니다. 구체적으로, 여기에 제시된 연구는 수행 방법을 보여주었습니다 : i) 계층 적 유전자형의 계통 유도 매핑; ii) 유전자형의 빈도 기반 분석; iii) 친족관계 및 클론성 분석; iv) 혈통 차별화 액세서리 유전자좌의 확인.

박테리아 집단에서 계층적 유전자형과 부속 게놈 유전자형의 휴리스틱 마이닝

MIME은 우아한 성능의 기계 학습 기반 통합 모델을 구축하기 위한 유연한 계산 프레임워크입니다. 여기에서는 복잡한 데이터 세트를 활용하여 질병 진행, 환자 결과 및 치료 반응과 관련된 중요한 유전자를 식별하여 높은 정확도로 예측 모델을 개발하기 위한 상세한 단계별 절차를 제공합니다.

Mime-based Machine-learning Framework를 사용한 모델 구축 및 시각화

학습하세요 메타지노믹 데이터의 생물학적 서열 분류를 위한 딥 러닝 프레임워크 구축 방법을 가상 머신 환경에서 코딩 없이 활용하는 전체 과정을 단계별로 익히세요.

메지노믹 데이터의 생물학적 시퀀스를 분류하기 위해 딥 러닝을 사용하기 위한 비컴퓨터 전문가를 위한 가상 머신 플랫폼

더 많은 동영상 탐색