Platforma maszyn wirtualnych dla profesjonalistów niezajmujących się informatyką do wykorzystania głębokiego uczenia do klasyfikowania sekwencji biologicznych danych metagenomicznych
25 września 2021
Ten samouczek opisuje prostą metodę konstruowania algorytmu głębokiego uczenia do przeprowadzania 2-klasowej klasyfikacji sekwencji danych metagenomicznych.
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.
Wyświetl pełny transkrypt i uzyskaj dostęp do tysięcy filmów naukowych
Przegląd
Ten tutorial dostarcza wytycznych dotyczących konstruowania ram dla uczenia głębokiego dla klasyfikacji sekwencji z dwoma klasami danych metagenomowych. Ma na celu pomóc biologom w przezwyciężaniu wyzwań związanych z klasyfikacją sekwencji bez konieczności posiadania rozległej wiedzy matematycznej czy programistycznej.
Kluczowe elementy badania
Dziedzina nauki
- Metagenomika
- Uczenie głębokie
- Bioinformatyka
Tło
- Klasyfikacja sekwencji biologicznych jest kluczowa dla różnych analiz.
- Dane metagenomowe często zawierają liczne nowe gatunki i geny.
- Wysokowydajne narzędzia klasyfikacyjne są niezbędne do przeprowadzenia skutecznych badań.
- Wielu biologów nie posiada umiejętności obliczeniowych do samodzielnego opracowywania tych narzędzi.
Cel badania
- Aby zapewnić dostępną metodę budowy ram dla uczenia głębokiego.
- Aby umożliwić biologom klasyfikację sekwencji bez głębokiej wiedzy technicznej.
- Aby zwiększyć przydatność uczenia głębokiego w badaniach biologicznych.
Stosowane metody
- Rozwój przyjaznego dla użytkownika algorytmu uczenia głębokiego.
- Wytyczne dla zadań klasyfikacji sekwencji.
- Wykorzystanie istniejących pakietów do uczenia głębokiego.
- Koncentracja na klasyfikacji z dwoma klasami danych metagenomowych.
Główne wyniki
- Sukces w konstruowaniu ram dla uczenia głębokiego.
- Demonstracja łatwości użycia dla biologów.
- Podkreślenie skuteczności uczenia głębokiego w zadaniach klasyfikacyjnych.
- Dostarczenie zasobu dla dalszego badania danych metagenomowych.
Wnioski
- Uczenie głębokie może znacząco wspomagać klasyfikację sekwencji biologicznych.
- Biologowie mogą wykorzystywać te narzędzia bez rozległej edukacji.
- Tutorial służy jako cenny zasób dla badaczy.
Często zadawane pytania
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
