Name: Platforma maszyn wirtualnych dla profesjonalistów niezajmujących się informatyką do wykorzystania głębokiego uczenia do klasyfikowania sekwencji biologicznych danych metagenomicznych (Wideo) | JoVE Journal
Uploaded: 2021-09-25T14:00:00.000+00:00
Duration: 9 min 34 s
Description: Poznaj głębokie uczenie do klasyfikacji sekwencji biologicznych w metagenomice przy użyciu gotowej maszyny wirtualnej. Metoda nie wymaga zaawansowanej wiedzy programistycznej.

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

To badanie było wspierane finansowo przez Narodową Fundację Nauk Przyrodniczych Chin (81925026, 82002201, 81800746, 82102508).

1. Instalacja maszyny wirtualnej
<ol>
	<li>Pobierz plik maszyny wirtualnej ze strony (https://github.com/zhenchengfang/DL-VM).</li>
	<li>Pobierz oprogramowanie VirtualBox ze strony https://www.virtualbox.org.</li>
	<li>Rozpakuj plik ".7z" za pomocą odpowiedniego oprogramowania, takiego jak "7-Zip", "WinRAR" lub "WinZip".</li>
	<li>Zainstaluj oprogramowanie VirtualBox, klikając przycisk Dalej w każdym kroku.</li>
	<li>Otwórz oprogramowanie VirtualBox i kliknij przycisk Nowy, aby utworzyć maszynę wirtualną.</li>
	<li>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.</li>
	<li>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.</li>
	<li>Wybierz opcję Użyj istniejącego pliku wirtualnego dysku twardego, wybierz plik "VM_Bioinfo.vdi" pobrany z kroku 1.1, a następnie kliknij przycisk Utwórz.</li>
	<li>Kliknij przycisk Gwiazdka, aby otworzyć maszynę wirtualną. 
	UWAGA: Rysunek 3 pokazuje zrzut ekranu pulpitu maszyny wirtualnej.</li>
</ol>
2. Tworzenie współdzielonych folderów do wymiany plików między fizycznym hostem a maszyną wirtualną
<ol>
	<li>Na hoście fizycznym utwórz folder udostępniony o nazwie "shared_host", a na pulpicie maszyny wirtualnej utwórz folder udostępniony o nazwie "shared_VM".</li>
	<li>Na pasku menu maszyny wirtualnej kliknij kolejno Urządzenia, Folder współdzielony, Ustawienia folderów współdzielonych.</li>
	<li>Kliknij przycisk w prawym górnym rogu.</li>
	<li>Wybierz folder współdzielony na hoście fizycznym utworzonym w kroku 2.1 i wybierz opcję Automatyczne montowanie. Kliknij przycisk OK.</li>
	<li>Uruchom ponownie maszynę wirtualną.</li>
	<li>Kliknij prawym przyciskiem myszy na pulpicie maszyny wirtualnej i otwórz terminal.</li>
	<li>Skopiuj następujące polecenie do terminala: 
	sudo mount -t vboxsf shared_host ./Pulpit/shared_VM
	<ol>
		<li>Po wyświetleniu monitu o podanie hasła wpisz "1" i naciśnij "Enter", jak pokazano w Rysunek 4.</li>
	</ol>
	</li>
</ol>
3. Przygotuj pliki dla zestawu treningowego i zestawu testowego
<ol>
	<li>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.</li>
</ol>
4. Digitalizacja sekwencji biologicznych za pomocą "one-hot" formy kodowania
<ol>
	<li>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.</li>
</ol>
5. Trenuj i testuj sztuczną sieć neuronową
<ol>
	<li>W terminalu wpisz następujące polecenie, jak pokazano w Rysunek 6: 
	python train.py 
	UWAGA: Rozpocznie się proces szkolenia.</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>

Autorzy oświadczają, że nie występują konflikty interesów.

Ten samouczek zawiera przegląd dla biologów i początkujących projektantów algorytmów, jak skonstruować łatwą w użyciu strukturę uczenia głębokiego do klasyfikacji sekwencji biologicznych w danych metagenomicznych. Ten samouczek ma na celu zapewnienie intuicyjnego zrozumienia uczenia głębokiego i rozwiązanie problemu polegającego na tym, że początkujący często mają trudności z zainstalowaniem pakietu uczenia głębokiego i napisaniem kodu algorytmu. W przypadku niektórych prostych zadań klasyfikacji użytkownicy mogą używać ...

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-bakteryjna2,3,4, klasyfikacja plazmidu chromosomowego3,5,6,7oraz adnotacja o funkcji genu (np. klasyfikacja genów oporności na antybiotyki<klasa sup = "xref">8 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.

<table><tbody><tr><td>Komputer PC lub serwer</td><td></td><td>NA NA</td><td>Sugerowana pamięć: >6 GB</td></tr><tr><td>Oprogramowanie VirtualBox</td><td>NA</td><td>NA</td><td>Link: https://www.virtualbox.org</td></tr></tbody></table>

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

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

Różnorodne zadania związane z klasyfikacją sekwencji biologicznych, takie jak klasyfikacja gatunków, klasyfikacja funkcji genów i klasyfikacja gospodarzy wirusów, są oczekiwanymi procesami w wielu analizach danych metagenomicznych. Ponieważ dane metagenomiczne zawierają dużą liczbę nowych gatunków i genów, w wielu badaniach potrzebne są wysokowydajne algorytmy klasyfikacji. Biolodzy często napotykają wyzwania związane ze znalezieniem odpowiednich narzędzi do klasyfikacji sekwencji i adnotacji do konkretnego zadania i często nie są w stanie samodzielnie skonstruować odpowiedniego algorytmu z powodu braku niezbędnej wiedzy matematycznej i obliczeniowej. Techniki głębokiego uczenia stały się ostatnio popularnym tematem i wykazują silne zalety w wielu zadaniach klasyfikacyjnych. Do tej pory opracowano wiele wysoce rozbudowanych pakietów głębokiego uczenia, które umożliwiają biologom konstruowanie ram głębokiego uczenia zgodnie z własnymi potrzebami bez dogłębnej znajomości szczegółów algorytmu. W tym samouczku przedstawiamy wskazówki dotyczące konstruowania łatwej w użyciu struktury uczenia głębokiego do klasyfikacji sekwencji bez konieczności posiadania wystarczającej wiedzy matematycznej lub umiejętności programowania. Cały kod jest optymalizowany w maszynie wirtualnej, dzięki czemu użytkownicy mogą bezpośrednio uruchamiać kod przy użyciu własnych danych.

W naszej poprzedniej pracy opracowaliśmy serię narzędzi do klasyfikacji sekwencji dla danych metagenomicznych, stosując podejście podobne do opisanego w niniejszym samouczku3,11,12. Jako przykład, w maszynie wirtualnej udostępniliśmy pliki z sekwencjami podzbioru zbioru treningowego i zbioru testowego z naszej poprzedniej pracy3,11.
Fang i Zho...

Ten samouczek opisuje prostą metodę konstruowania algorytmu głębokiego uczenia do przeprowadzania 2-klasowej klasyfikacji sekwencji danych metagenomicznych.

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

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

Różnorodne zadania klasyfikacji sekwencji biologicznych, takie jak klasyfikacja gatunków, klasyfikacja funkcji genów i klasyfikacja gospodarzy przewodowych, są oczekiwanymi procesami w wielu analizach danych metagenomicznych. Ponieważ dane metagenomiczne zawierają dużą liczbę gatunków i genów Novo, w wielu badaniach potrzebne są organizmy klasyfikujące o wysokiej wydajności. Biolodzy często napotykają trudności ze znalezieniem odpowiednich narzędzi do klasyfikacji sekwencji i notacji dla konkretnego zadania i często nie są w stanie samodzielnie skonstruować odpowiedniego organizmu z powodu braku niezbędnej wiedzy matematycznej i obliczeniowej.Techniki głębokiego uczenia stały się ostatnio popularnym tematem i wykazują dużą przewagę w wielu zadaniach klasyfikacyjnych. Do tej pory opracowano wiele wysoce pakietowych pakietów głębokiego uczenia, które umożliwiają biologom konstruowanie ram głębokiego uczenia zgodnie z własnymi potrzebami bez dogłębnej wiedzy na temat szczegółów organizmu. W tym samouczku przedstawiamy wskazówki dotyczące konstruowania łatwej w użyciu struktury uczenia głębokiego do klasyfikacji sekwencji bez konieczności posiadania wystarczającej wiedzy matematycznej lub umiejętności programowania.W poniższym filmie wideo pokazano, jak używać maszyny wirtualnej do przeprowadzania klasyfikacji sekwencji biologicznych. Użytkownicy muszą pobrać plik maszyny wirtualnej ze strony głównej samouczka, a następnie pobrać oprogramowanie VirtualBox. Maszyna wirtualna jest skompresowana jako siedemdziesiąt plików.Plik siedemdziesiąt można łatwo zdekompresować za pomocą aktualnego oprogramowania do kompresji, takiego jak WinRar, Winzip i 7-Zip. Rozpakowaliśmy maszynę wirtualną za pomocą 7-Zip. Dekompresja może zająć trochę czasu.Poczekaj chwilę. Po dekompresji użytkownicy muszą zainstalować oprogramowanie VirtualBox. Utwórz folder, aby zainstalować VirtualBox.Utwórz pakiet instalacyjny VirtualBox. Wybierz folder utworzony przez siebie. Następnie zainstaluj oprogramowanie VirutalBox, klikając następny przycisk w każdym kroku.Instalacja może zająć trochę czasu, poczekaj chwilę. Otwórz oprogramowanie VirtualBox. Utwórz nowy przycisk, aby utworzyć maszynę wirtualną.Wprowadź nazwę maszyny wirtualnej określoną przez siebie w ramce nazwy. Wybierz Linux jako system operacyjny w ramce typu. Wybierz Ubuntu w ramce wersji i kliknij przycisk Dalej.Jeśli to możliwe, przydziel większą ilość pamięci do maszyny wirtualnej. To prawda, że używasz istniejącego wyboru pliku na dysku twardym. Wybierz plik maszyny wirtualnej pobrany ze strony głównej samouczka.A następnie kliknij przycisk Utwórz. Kliknij przycisk Start, aby otworzyć maszynę wirtualną. Uruchomienie maszyny wirtualnej może chwilę potrwać.Poczekaj chwilę przed kolejnym krokiem. Następnie użytkownicy muszą utworzyć folder współdzielony zarówno na hostach fizycznych, jak i na maszynie wirtualnej, aby wymieniać pliki. Na hoście fizycznym utwórz folder współdzielony o nazwie host współdzielony i na pulpicie maszyny wirtualnej utwórz folder współdzielony o nazwie współdzielony VM.In pasku ręcznym maszyny wirtualnej, klikaj kolejno urządzenia, foldery współdzielone, ustawienia folderów współdzielonych.Kliknij przycisk w prawym górnym rogu. Wybierz folder współdzielony na utworzonym przez siebie hoście fizycznym. Wybierz opcję automatycznego montowania.Kliknij przycisk OK. Następnie uruchom ponownie maszynę wirtualną. Ponowne uruchomienie maszyny wirtualnej może chwilę potrwać.Poczekaj chwilę przed kolejnym krokiem. Kliknij prawym przyciskiem myszy na pulpicie maszyny wirtualnej i otwórz terminal. Wpisz następujące polecenie do terminala.Sudo, spacji, mount, spacji, pasek T, spacji, vboxsf, spacji, współdzielony host, spacji, ukośnik kropkowy, pulpit, ukośnik, współdzielona maszyna wirtualna.Po wyświetleniu monitu o podanie hasła wprowadź je i naciśnij Enter. Skopiuj wszystkie cztery pliki sekwencji w szybszym formacie na potrzeby procesu trenowania i testowania do folderu hosta udostępnionego hosta fizycznego. W ten sposób wszystkie pliki będą również znajdować się w udostępnionym folderze maszyny wirtualnej maszyny wirtualnej.Następnie skopiuj pliki z udostępnionego folderu maszyny wirtualnej do folderu głębokiego uczenia maszyny wirtualnej. Kliknij prawym przyciskiem myszy i otwórz terminal, a następnie wpisz następujące polecenie, aby wykonać kodowanie na gorąco. Ukośnik kropkowy, jedno kodowanie na gorąco, określ pliki do trenowania i testowania.I określ typ sekwencji. Następnie wpisz następujące polecenie, aby rozpocząć proces trendów. Klucz spacji Pythona, pociąg kropka P Y.Następnie rozpocznie się proces trendów.Ten proces może potrwać kilka godzin lub kilka dni, w zależności od rozmiaru zestawu danych. Po zakończeniu procesu wynik przewidywania danych testowych znajduje się w pliku CSV predict dot. W naszej poprzedniej pracy opracowaliśmy szereg narzędzi do klasyfikacji sekwencji dla danych metagenomicznych, stosując podejście podobne do tego w tym samouczku.Na przykład opracowaliśmy narzędzie mające na celu identyfikację kompletnych i częściowych białek wirionu wirusa prokariotów na podstawie danych seryjnych. Narzędzie miało na celu identyfikację fragmentów DNA fagów na podstawie fragmentów DNA chromosomów bakteryjnych w danych metogenomicznych. Wydajność narzędzi korzystających ze skryptu tego samouczka pokazano na rysunkach a i b.Podsumowując, ten samouczek zawiera przegląd dla biologów i początkujących projektantów organizmów, jak skonstruować łatwą w użyciu platformę głębokiego uczenia do klasyfikacji sekwencji biologicznych w danych metogenomicznych. Ten samouczek ma na celu zapewnienie intuicyjnego zrozumienia głębokiego uczenia i sprostanie wyzwaniu, jakim jest to, że początkujący często mają trudności z uruchomieniem pakietu głębokiego uczenia i napisaniem kodu dla organizmu. W przypadku niektórych prostych zadań klasyfikacyjnych użytkownicy mogą użyć naszej struktury do wykonania zadania klasyfikacji.

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

Research

JoVE Journal

Genetics

Genetyka

Analizy RNA-Seq stają się coraz ważniejsze dla identyfikacji molekularnych podstaw cech adaptacyjnych w organizmach niemodelowych. W tym miejscu opisano protokół identyfikacji genów o zróżnicowanej ekspresji między komarami Aedes albopictus z diapauzą i bez diapauzy, od hodowli komarów po sekwencjonowanie RNA i analizy bioinformatyczne danych RNA-Seq.

Eksperymentalny i bioinformatyczny protokół do analiz sekwencyjnych RNA diapauzy fotoperiodycznej u azjatyckiego komara tygrysiego, Aedes albopictus

Korzystając z przykładu dróg oddechowych mukowiscydozy, manuskrypt przedstawia kompleksowy przepływ pracy obejmujący kombinację podejść metagenomicznych i metatranskryptomicznych w celu scharakteryzowania społeczności mikrobiologicznych i wirusowych w próbkach związanych ze zwierzętami.

Oczyszczanie nieczystości: sekwencjonowanie metagenomów i metatranskryptomów ze złożonych próbek związanych ze zwierzętami

Metagenomics została wykorzystana do zbadania mikrobiomu paszy dla bydła na kiszonkę. Analizę przeprowadzono za pomocą sekwencjonowania typu shotgun. Podejście to wykorzystano do scharakteryzowania składu zbiorowiska mikrobiologicznego w paszy dla bydła.

Analiza metagenomiczna kiszonki

Ten protokół przedstawia porównawczy proces tworzenia transkryptomu i adnotacji de novo dla początkujących bioinformatyków. Przepływ pracy jest dostępny bezpłatnie całkowicie za pośrednictwem CyVerse i połączony przez magazyn danych. Używany jest wiersz poleceń i graficzne interfejsy użytkownika, ale cały potrzebny kod jest dostępny do skopiowania i wklejenia.

Wykorzystanie zasobów CyVerse do transkryptomiki porównawczej de novo organizmów nieobjętych modelem

Ukierunkowane sekwencjonowanie nowej generacji to efektywne czasowo i kosztowo podejście, które staje się coraz bardziej popularne zarówno w badaniach nad chorobami, jak i w diagnostyce klinicznej. Opisany tutaj protokół przedstawia złożony przepływ pracy wymagany do sekwencjonowania i procesu bioinformatycznego wykorzystywanego do identyfikacji wariantów genetycznych, które przyczyniają się do choroby.

Ukierunkowane sekwencjonowanie nowej generacji i bioinformatyka w celu oceny genetycznych uwarunkowań chorób konstytucjonalistycznych

Głębokie sekwencjonowanie populacji drożdży wybranych do pozytywnych interakcji drożdży z hybrydami 2 potencjalnie dostarcza wielu informacji na temat oddziałujących białek partnerskich. W tym miejscu opisujemy działanie konkretnych narzędzi bioinformatycznych i dostosowanego zaktualizowanego oprogramowania do analizy danych sekwencyjnych z takich ekranów.

Analiza informacyjna danych sekwencyjnych z przesiewów drożdżowych 2-hybrydowych

Opisana tutaj jest uproszczona standardowa procedura operacyjna do profilowania mikrobiomu przy użyciu sekwencjonowania metagenomicznego 16S rRNA i analizy przy użyciu swobodnie dostępnych narzędzi. Protokół ten pomoże naukowcom, którzy są nowicjuszami w dziedzinie mikrobiomu, a także tym, którzy potrzebują aktualizacji metod osiągania profilowania bakteryjnego w wyższej rozdzielczości.

Analiza mikrobioty za pomocą dwuetapowej reakcji PCR i sekwencjonowania genów 16S rRNA nowej generacji

Protokół przedstawiony tutaj opisuje kompletny potok do analizy danych transkryptomu sekwencjonowania RNA, od surowych odczytów do analizy funkcjonalnej, w tym etapy kontroli jakości i wstępnego przetwarzania do zaawansowanych metod analizy statystycznej.

Wysokoprzepustowa analiza transkryptomu do badania interakcji gospodarz-patogen

Ta analityczna platforma obliczeniowa dostarcza praktycznych wskazówek dla mikrobiologów, ekologów i epidemiologów zainteresowanych genomiką populacji bakteryjnej. W szczególności zaprezentowane tutaj prace pokazały, w jaki sposób można przeprowadzić: i) mapowanie hierarchicznych genotypów pod kierunkiem filogenezy; ii) analiza genotypów oparta na częstotliwości; iii) analizy pokrewieństwa i klonalności; iv) Identyfikacja loci akcesoryjnych różnicujących rodowód.

Eksploracja heurystyczna hierarchicznych genotypów i dodatkowych loci genomu w populacjach bakteryjnych

Mime to elastyczna platforma obliczeniowa do konstruowania modelu integracji opartego na uczeniu maszynowym o eleganckiej wydajności. W tym miejscu przedstawiamy szczegółową procedurę krok po kroku dotyczącą opracowywania modeli predykcyjnych z dużą dokładnością, wykorzystując złożone zestawy danych do identyfikacji krytycznych genów związanych z postępem choroby, wynikami pacjentów i reakcją terapeutyczną.

Konstruowanie i wizualizacja modeli przy użyciu struktury uczenia maszynowego opartej na MIME

Poznaj głębokie uczenie do klasyfikacji sekwencji biologicznych w metagenomice przy użyciu gotowej maszyny wirtualnej. Metoda nie wymaga zaawansowanej wiedzy programistycznej.

Platforma maszyn wirtualnych dla profesjonalistów niezajmujących się informatyką do wykorzystania głębokiego uczenia do klasyfikowania sekwencji biologicznych danych metagenomicznych (Wideo) | JoVE Journal

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

Przeglądaj więcej filmów