Platforma maszyn wirtualnych dla profesjonalistów niezajmujących się informatyką do wykorzystania głębokiego uczenia do klasyfikowania sekwencji biologicznych danych metagenomicznych

Technika sekwencjonowania metagenomicznego omija proces izolacji szczepu i bezpośrednio sekwencjonuje całkowite DNA w próbce środowiskowej. W związku z tym dane metagenomiczne zawierają DNA z różnych organizmów, a większość sekwencji biologicznych pochodzi z nowych organizmów, których nie ma w obecnej bazie danych. Zgodnie z różnymi celami badawczymi, biolodzy muszą sklasyfikować te sekwencje z różnych perspektyw, takich jak klasyfikacja taksonomiczna¹, klasyfikacja wirusowo-bakteryjna^2,3,4, klasyfikacja plazmidu chromosomowego^3,5,6,7oraz adnotacja o funkcji genu (np. klasyfikacja genów oporności na antybiotyki8 i klasyfikacja czynnika wirulencji < klasa sup = "xref">9). Ponieważ dane metagenomiczne zawierają dużą liczbę nowych gatunków i genów, algorytmy ab initio, które nie opierają się na znanych bazach danych do klasyfikacji sekwencji (w tym klasyfikacji DNA i klasyfikacji białek), są ważnym podejściem w analizie danych metagenomicznych. Jednak projektowanie takich algorytmów wymaga profesjonalnej wiedzy matematycznej i umiejętności programowania; Dlatego wielu biologów i początkujących projektantów algorytmów ma trudności ze skonstruowaniem algorytmu klasyfikacyjnego dostosowanego do własnych potrzeb.

Wraz z rozwojem sztucznej inteligencji, algorytmy głębokiego uczenia się były szeroko stosowane w dziedzinie bioinformatyki do wykonywania zadań takich jak klasyfikacja sekwencji w analizie metagenomicznej. Aby pomóc początkującym zrozumieć algorytmy głębokiego uczenia, poniżej opisujemy algorytm w łatwy do zrozumienia sposób.

Przegląd techniki głębokiego uczenia jest pokazany w Rysunek 1. Podstawową technologią algorytmu głębokiego uczenia się jest sztuczna sieć neuronowa, która jest inspirowana strukturą ludzkiego mózgu. Z matematycznego punktu widzenia sztuczna sieć neuronowa może być uważana za funkcję złożoną. Każdy obiekt (np. sekwencja DNA, zdjęcie lub film) jest najpierw digitalizowany. Zdigitalizowany obiekt jest następnie importowany do funkcji. Zadaniem sztucznej sieci neuronowej jest udzielenie prawidłowej odpowiedzi zgodnie z danymi wejściowymi. Na przykład, jeśli sztuczna sieć neuronowa jest skonstruowana do wykonywania zadania klasyfikacji 2-klasowej, sieć powinna wyprowadzać wynik prawdopodobieństwa z zakresu od 0 do 1 dla każdego obiektu. Sieć neuronowa powinna przyznać obiektowi pozytywnemu wyższy wynik (np. wynik wyższy niż 0,5), jednocześnie przyznając obiektowi negatywnemu niższy wynik. Aby osiągnąć ten cel, budowana jest sztuczna sieć neuronowa z procesami trenowania i testowania. Podczas tych procesów pobierane są dane ze znanej bazy danych, a następnie dzielone na zbiór uczący i zestaw testowy. Każdy obiekt jest w odpowiedni sposób digitalizowany i nadawany mu znacznik ("1" dla obiektów pozytywowych i "0" dla obiektów negatywnych). W procesie uczącym zdigitalizowane dane w zbiorze treningowym są wprowadzane do sieci neuronowej. Sztuczna sieć neuronowa konstruuje funkcję straty, która reprezentuje odmienność między wynikiem wyjściowym obiektu wejściowego a odpowiadającą mu etykietą obiektu. Na przykład, jeśli etykieta obiektu wejściowego to "1", podczas gdy wynik wyjściowy to "0,1", funkcja straty będzie wysoka; A jeśli etykieta obiektu wejściowego to "0", podczas gdy wynik wyjściowy to "0,1", funkcja straty będzie niska. Sztuczna sieć neuronowa wykorzystuje specyficzny algorytm iteracyjny, który dostosowuje parametry sieci neuronowej w celu zminimalizowania funkcji straty. Proces uczenia kończy się, gdy funkcja straty nie może być w oczywisty sposób zmniejszona. Na koniec dane w zestawie testowym są wykorzystywane do testowania stałej sieci neuronowej i oceniana jest zdolność sieci neuronowej do obliczania prawidłowych etykiet dla nowych obiektów. Więcej zasad algorytmów głębokiego uczenia można znaleźć w przeglądzie w LeCun i wsp.¹⁰.

Chociaż matematyczne zasady algorytmów głębokiego uczenia mogą być złożone, ostatnio opracowano wiele wysoce rozbudowanych pakietów głębokiego uczenia, a programiści mogą bezpośrednio zbudować prostą sztuczną sieć neuronową za pomocą kilku linijek kodu.

Aby pomóc biologom i początkującym projektantom algorytmów w szybszym rozpoczęciu korzystania z głębokiego uczenia, ten samouczek zawiera wytyczne do budowy łatwego w użyciu szkieletu głębokiego uczenia do klasyfikacji sekwencji. Struktura ta wykorzystuje formę kodowania "one-hot" jako model matematyczny do digitalizacji sekwencji biologicznych i wykorzystuje konwolucyjną sieć neuronową do wykonania zadania klasyfikacyjnego (patrz Materiał uzupełniający). Jedyną rzeczą, którą użytkownicy muszą zrobić przed skorzystaniem z tej wskazówki, jest przygotowanie czterech plików sekwencji w formacie "fasta". Pierwszy plik zawiera wszystkie sekwencje klasy dodatniej dla procesu uczenia (określane jako "p_train.fasta"); drugi plik zawiera wszystkie sekwencje klasy ujemnej dla procesu uczenia (określane jako "n_train.fasta"); trzeci plik zawiera wszystkie sekwencje klasy dodatniej dla procesu testowania (określane jako "p_test.fasta"); a ostatni plik zawiera wszystkie sekwencje klasy ujemnej dla procesu testowania (określane jako "n_test.fasta"). Przegląd schematu blokowego tego samouczka znajduje się w Rysunek 2, a więcej szczegółów zostanie wymienionych poniżej.

1. Instalacja maszyny wirtualnej

1. Pobierz plik maszyny wirtualnej ze strony (https://github.com/zhenchengfang/DL-VM).
2. Pobierz oprogramowanie VirtualBox ze strony https://www.virtualbox.org.
3. Rozpakuj plik ".7z" za pomocą odpowiedniego oprogramowania, takiego jak "7-Zip", "WinRAR" lub "WinZip".
4. Zainstaluj oprogramowanie VirtualBox, klikając przycisk Dalej w każdym kroku.
5. Otwórz oprogramowanie VirtualBox i kliknij przycisk Nowy, aby utworzyć maszynę wirtualną.
6. Krok 6: Wprowadź określoną nazwę maszyny wirtualnej w ramce "Nazwa", wybierz Linux jako system operacyjny w ramce "Typ", wybierz Ubuntu w ramce "Wersja" i kliknij przycisk Dalej.
7. Przydziel rozmiar pamięci maszyny wirtualnej. Zalecamy, aby użytkownicy pociągnęli przycisk do skrajnej prawej części zielonego paska, aby przypisać jak najwięcej pamięci do maszyny wirtualnej, a następnie kliknęli przycisk Dalej.
8. Wybierz opcję Użyj istniejącego pliku wirtualnego dysku twardego, wybierz plik "VM_Bioinfo.vdi" pobrany z kroku 1.1, a następnie kliknij przycisk Utwórz.
9. Kliknij przycisk Gwiazdka, aby otworzyć maszynę wirtualną.
   UWAGA: Rysunek 3 pokazuje zrzut ekranu pulpitu maszyny wirtualnej.

2. Tworzenie współdzielonych folderów do wymiany plików między fizycznym hostem a maszyną wirtualną

1. Na hoście fizycznym utwórz folder udostępniony o nazwie "shared_host", a na pulpicie maszyny wirtualnej utwórz folder udostępniony o nazwie "shared_VM".
2. Na pasku menu maszyny wirtualnej kliknij kolejno Urządzenia, Folder współdzielony, Ustawienia folderów współdzielonych.
3. Kliknij przycisk w prawym górnym rogu.
4. Wybierz folder współdzielony na hoście fizycznym utworzonym w kroku 2.1 i wybierz opcję Automatyczne montowanie. Kliknij przycisk OK.
5. Uruchom ponownie maszynę wirtualną.
6. Kliknij prawym przyciskiem myszy na pulpicie maszyny wirtualnej i otwórz terminal.
7. Skopiuj następujące polecenie do terminala:
   sudo mount -t vboxsf shared_host ./Pulpit/shared_VM
   1. Po wyświetleniu monitu o podanie hasła wpisz "1" i naciśnij "Enter", jak pokazano w Rysunek 4.

3. Przygotuj pliki dla zestawu treningowego i zestawu testowego

1. Skopiuj wszystkie cztery pliki sekwencji w formacie "fasta" dla procesu trenowania i testowania do folderu "shared_host" hosta fizycznego. W ten sposób wszystkie pliki będą również znajdować się w folderze "shared_VM" maszyny wirtualnej. Następnie skopiuj pliki z folderu "shared_VM" do folderu "DeepLearning" maszyny wirtualnej.

4. Digitalizacja sekwencji biologicznych za pomocą "one-hot" formy kodowania

1. Przejdź do folderu "DeepLearning", kliknij prawym przyciskiem myszy i otwórz terminal. Wpisz następujące polecenie:
   ./onehot_encoding p_train.fasta n_train.fasta p_test.fasta n_test.fasta aa
   (dla sekwencji aminokwasów)
   lub
   ./onehot_encoding p_train.fasta n_train.fasta p_test.fasta n_test.fasta nt
   (dla sekwencji kwasów nukleinowych)
   UWAGA: Zrzut ekranu przedstawiający ten proces znajduje się w Rysunek 5.

5. Trenuj i testuj sztuczną sieć neuronową

1. W terminalu wpisz następujące polecenie, jak pokazano w Rysunek 6:
   python train.py
   UWAGA: Rozpocznie się proces szkolenia.

W naszej poprzedniej pracy opracowaliśmy serię narzędzi do klasyfikacji sekwencji dla danych metagenomicznych, stosując podejście podobne do tego tutorialu3,11,12. Jako przykład zdeponowaliśmy pliki sekwencji podzbioru zestawu treningowego i zestawu testowego z naszego poprzedniego work3,11 na maszynie wirtualnej.

Fang & Zhou11 miało na celu zidentyfikowanie kompletnych i częściowych białek wirionowych wirusa prokariotów na podstawie danych wiromowych. Plik "p_train.fasta" zawiera fragmenty białka wirionu wirusa dla zestawu treningowego; plik "n_train.fasta" zawiera fragmenty białek nonwirionowych wirusa dla zestawu treningowego; plik "p_test.fasta" zawiera fragmenty białka wirionu wirusa dla zestawu testowego; a plik "n_test.fasta" zawiera fragmenty białka niewirionowego wirusa dla zestawu testowego. Użytkownik może bezpośrednio wykonać następujące dwa polecenia, aby skonstruować sieć neuronową:
./onehot_encoding p_train.fasta n_train.fasta p_test.fasta n_test.fasta aa
oraz
python train.py

Wydajność jest pokazana w Rysunek 7.

Fang et al.3 miał na celu zidentyfikowanie fragmentów DNA fagów na podstawie fragmentów DNA chromosomów bakteryjnych w danych metagenomicznych. Plik "phage_train.fasta" zawiera fragmenty DNA faga dla zestawu treningowego; plik "chromosome_train.fasta" zawiera fragmenty chromosomu DNA dla zbioru uczącego; plik "phage_test.fasta" zawiera fragmenty DNA fagów do zestawu testowego; a plik "chromosome_test.fasta" zawiera fragmenty chromosomu DNA do zestawu testowego. Użytkownik może bezpośrednio wykonać następujące dwa polecenia, aby skonstruować sieć neuronową:
./onehot_encoding phage_train.fasta chromosome_train.fasta phage_test.fasta chromosome_test.fasta nt
oraz
python train.py

Wydajność jest pokazana w Rysunek 8.

Warto zauważyć, że ponieważ algorytm zawiera pewne procesy o losowości, powyższe wyniki mogą się nieco różnić, jeśli użytkownicy ponownie uruchomią skrypt.

Rysunek 1. Omówienie techniki głębokiego uczenia. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Rysunek 2. Omówienie schematu blokowego tego samouczka. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Rysunek 3. Zrzut ekranu pulpitu maszyny wirtualnej. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Rysunek 4. Zrzut ekranu przedstawiający aktywację folderów współdzielonych. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Rysunek 5. Zrzut ekranu przedstawiający proces digitalizacji sekwencji. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Rysunek 6. Trenuj i testuj sztuczną sieć neuronową. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Rysunek 7. Skuteczność identyfikacji fragmentów białka wirionu wirusa prokariotów. Kryteria oceny to Sn=TP/(TP+FN), Sp=TN/(TN+FP), Acc=(TP+TN)/(TP+TN+FN+FP) i AUC. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Rysunek 8. Identyfikacja fragmentów DNA fagów. Kryteria oceny to Sn=TP/(TP+FN), Sp=TN/(TN+FP), Acc=(TP+TN)/(TP+TN+FN+FP) i AUC. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Materiały dodatkowe: Kliknij tutaj, aby pobrać ten plik.

Autorzy oświadczają, że nie występują konflikty interesów.