Платформа виртуальных машин для специалистов, не являющихся компьютерами, для использования глубокого обучения для классификации биологических последовательностей метагеномных данных
25 сентября 2021 г.
В этом учебнике описывается простой метод построения алгоритма глубокого обучения для выполнения 2-классовой классификации последовательностей метагеномных данных.
Различные задачи классификации биологических последовательностей, такие как классификация видов, классификация функций генов и классификация проволочных хозяев, являются ожидаемыми процессами во многих анализах метагеномных данных. Поскольку метагеномные данные содержат большое количество видов и генов Novo, во многих исследованиях необходимы высокоэффективные классификационные организмы. Биологи часто сталкиваются с проблемами в поиске подходящих инструментов классификации последовательностей и нотации для конкретной задачи и часто не могут самостоятельно построить соответствующий организм из-за отсутствия необходимых математических и вычислительных знаний.
Методы глубокого обучения в последнее время стали популярной темой и показывают сильное преимущество во многих задачах классификации. На сегодняшний день разработано много высоко упакованных пакетов глубокого обучения, которые позволяют биологам строить структуры глубокого обучения в соответствии с их собственными потребностями без глубокого знания деталей организма. В этом учебнике мы предоставляем руководство по созданию простой в использовании платформы глубокого обучения для классификации последовательностей без необходимости достаточных математических знаний или навыков программирования.
В следующем видео показано, как использовать виртуальную машину для выполнения классификации биологических последовательностей. Пользователям необходимо загрузить файл виртуальной машины с домашней страницы учебника, а затем загрузить программное обеспечение VirtualBox. Виртуальная машина сжимается в виде семьдесят файлов.
Семьдесят файлов можно легко распаковал с помощью текущего программного обеспечения для сжатия, такого как WinRar, Winzip и 7-Zip. Мы распаковали виртуальную машину с помощью 7-Zip. Декомпрессия может занять некоторое время.
Пожалуйста, подождите некоторое время. После распаковки пользователям необходимо установить программное обеспечение VirtualBox. Создайте папку для установки VirtualBox.
Создайте установочный пакет VirtualBox. Выберите папку, созданную вами. Затем установите программное обеспечение VirutalBox, нажав следующую кнопку на каждом шаге.
Установка может занять некоторое время, пожалуйста, подождите некоторое время. Откройте программное обеспечение VirtualBox. Создайте новую кнопку для создания виртуальной машины.
Введите имя виртуальной машины, указанное вами в рамке имени. Выберите Linux в качестве операционной системы в рамке типа. Выберите Ubuntu в рамке версии и нажмите кнопку «Далее».
Если возможно, выделите виртуальной машине больший объем памяти. Верно использовать существующий выбор файла жесткого диска. Выберите файл виртуальной машины, загруженный с домашней страницы учебника.
Затем нажмите кнопку создать. Нажмите кнопку Пуск, чтобы открыть виртуальную машину. Запуск виртуальной машины может занять некоторое время.
Пожалуйста, подождите минутку, прежде чем сделать следующий шаг. Затем пользователям необходимо создать общую папку как на физических узлах, так и на виртуальной машине для обмена файлами. На физическом узле создайте общую папку с именем общий узел, а на рабочем столе виртуальной машины создайте общую папку с именем shared VM.In ручной панели виртуальной машины, последовательно щелкните Устройства, общие папки, параметры общих папок.
Нажмите кнопку в правом верхнем углу. Выберите общую папку на физическом узле, созданную вами. Выберите опцию автоматического монтирования.
Нажмите кнопку ОК. Затем перезапустите виртуальную машину. Перезапуск виртуальной машины может занять некоторое время.
Пожалуйста, подождите минутку, прежде чем сделать следующий шаг. Щелкните правой кнопкой мыши на рабочем столе виртуальной машины и откройте терминал. Введите следующую команду в терминал.
Sudo, клавиша пробела, монтирование, клавиша пробела, панель T, клавиша пробела, vboxsf, клавиша пробела, общий хост, клавиша пробела, косая черта, рабочий стол, косая черта, общая виртуальная машина.При появлении запроса на ввод пароля введите один и коснитесь клавиши ввода. Скопируйте все четыре файла последовательностей в более быстром формате для процесса обучения и тестирования в общую папку узла физического хоста. Таким образом, все файлы также будут поместиться в общей папке виртуальной машины виртуальной машины.
Затем скопируйте файлы из общей папки виртуальной машины в папку глубокого обучения виртуальной машины. Щелкните правой кнопкой мыши, откройте терминал и введите следующую команду, чтобы выполнить одно горячее кодирование. Dot slash, одна горячая кодировка, укажите файлы для обучения и тестирования.
И укажите тип последовательности. Затем введите следующую команду, чтобы начать процесс тренда. Python space key, train dot P Y.Затем начнется процесс тренда.
Этот процесс может занять несколько часов или несколько дней, в зависимости от размера набора данных. После завершения процесса результат прогноза тестовых данных присутствует в CSV-файле predict dot. В нашей предыдущей работе мы разработали серию инструментов классификации последовательностей для метагеномных данных, используя подход, аналогичный этому учебнику.
Например, мы разработали инструмент, направленный на идентификацию полных и частичных белков вируса прокариота по данным запуска. И инструмент, направленный на идентификацию фрагментов ФАГОВ ДНК из фрагментов ДНК бактериальных хромосом в метогеномных данных. Производительность инструментов, использующих скрипт данного учебника, показана на рисунке a и b.
В заключение, этот учебник предоставляет обзор для начинающих биологов и проектов организмов о том, как построить простую в использовании структуру глубокого обучения для классификации биологических последовательностей в метогеномных данных. Этот учебник направлен на обеспечение интуитивного понимания глубокого обучения и решение проблемы, с которой новички часто испытывают трудности при запуске пакета глубокого обучения и написании кода для организма. Для некоторых простых задач классификации пользователи могут использовать нашу платформу для выполнения задачи классификации.
Просмотрите полный транскрипт и получите доступ к тысячам научных видео
Обзор
Этот учебник предоставляет руководство для построения фреймворка глубокого обучения для классификации последовательностей данных метагеномики в 2 класса. Он направлен на то, чтобы помочь биологам преодолеть трудности, связанные с классификацией последовательностей, не требуя обширных математических или программистских знаний.
Ключевые компоненты исследования
Область науки
- Метагеномика
- Глубокое обучение
- Биоинформатика
Фон
- Классификация биологических последовательностей важна для различных анализов.
- Метагеномические данные часто включают множество новых видов и генов.
- Высокоэффективные инструменты классификации необходимы для эффективных исследований.
- Многие биологи не обладают вычислительными навыками для самостоятельной разработки этих инструментов.
Цель исследования
- Предоставить доступный метод для построения фреймворка глубокого обучения.
- Позволить биологам классифицировать последовательности без глубокого технического знания.
- Улучшить устойчивость глубокого обучения в биологических исследованиях.
Используемые методы
- Разработка удобного для пользователей алгоритма глубокого обучения.
- Руководство по задачам классификации последовательностей.
- Использование существующих пакетов глубокого обучения.
- Фокус на классификации в 2 класса данных метагеномики.
Основные результаты
- Успешное построение фреймворка глубокого обучения.
- Демонстрация простоты использования для биологов.
- Подчеркивание эффективности глубокого обучения в задачах классификации.
- Предоставление ресурсов для дальнейшего исследования данных метагеномики.
Выводы
- Глубокое обучение может значительно помочь в классификации биологических последовательностей.
- Биологи могут использовать эти инструменты без обширной подготовки.
- Этот учебник служит ценным ресурсом для исследователей.
Часто задаваемые вопросы
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
