Name: Metaagenomik Verilerin Biyolojik Dizilerini Sınıflandırmak için Derin ÖğrenmeYi Kullanmak için Bilgisayar Uzmanı Olmayanlar için Bir Sanal Makine Platformu (Video) | JoVE Journal
Uploaded: 2021-09-25T14:00:00.000+00:00
Duration: 9 min 34 s
Description: Öğrenin, derin öğrenme ile metaagenomik verilerdeki biyolojik dizileri sınıflandırmak için sanal makine tabanlı bir çerçeve oluşturmayı. Bu yöntem, programlama bilgisi gerektirmeden biyologların hızlı analiz yapmasını sağlar.

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

Bu soruşturma Çin Ulusal Doğa Bilimleri Vakfı (81925026, 82002201, 81800746, 82102508) tarafından finansal olarak desteklendi.

1. Sanal makinenin kurulumu
<ol><li>Sanal makine dosyasını (https://github.com/zhenchengfang/DL-VM) içinden indirin.</li>
	<li>VirtualBox yazılımını https://www.virtualbox.org'dan indirin.</li>
	<li>"7-Zip", "WinRAR" veya "WinZip" gibi ilgili yazılımları kullanarak ".7z" dosyasını açın.</li>
	<li>Her adımda İleri düğmesini tıklatarak VirtualBox yazılımını yükleyin.</li>
	<li>VirtualBox yazılımını açın ve sanal makine oluşturmak için Yeni düğmesini tıklatın.</li>
	<li>Adım 6: Belirtilen sanal makine adını "Ad" çerçevesine girin, "Tür" çerçevesinde işletim sistemi olarak Linux'u seçin, "Sürüm" çerçevesinde Ubuntu'yu seçin ve İleri düğmesini tıklayın.</li>
	<li>Sanal makinenin bellek boyutunu ayırın. Kullanıcıların sanal makineye mümkün olduğunca fazla bellek atamak için düğmeyi yeşil çubuğun en sağ kısmına çekmelerini ve ardından İleri düğmesini tıklatmalarını öneririz. </li>
	<li>Varolan sanal sabit disk dosyası seçimini kullan'ı seçin, Adım 1.1'den indirilen "VM_Bioinfo.vdi" dosyasını seçin ve oluştur düğmesini tıklatın.</li>
	<li>Sanal makineyi açmak için Yıldız düğmesini tıklatın. NOT: Şekil 3, sanal makinenin masaüstünün ekran görüntüsünü gösterir.</li>
</ol>2. Fiziksel ana bilgisayar ve sanal makine arasında alışveriş dosyaları için paylaşılan klasörler oluşturun
<ol><li>Fiziksel ana bilgisayarda "shared_host" adlı paylaşılan bir klasör oluşturun ve sanal makinenin masaüstünde "shared_VM" adlı paylaşılan bir klasör oluşturun.</li>
	<li>Sanal makinenin Menü Çubuğu'nda Aygıtlar, Paylaşılan Klasör, Paylaşılan Klasörler Ayarları'nı art arda tıklatın.</li>
	<li>Sağ üst köşedeki düğmeyi tıklatın.</li>
	<li>Adım 2.1'de oluşturulan fiziksel ana bilgisayardaki paylaşılan klasörü seçin ve Otomatik bağlama seçeneğini belirleyin. Tamam düğmesini tıklatın.</li>
	<li>Sanal makineyi yeniden başlatın.</li>
	<li>Sanal makinenin masaüstüne sağ tıklayın ve terminali açın.</li>
	<li>Aşağıdaki komutu terminale kopyalayın: sudo mount -t vboxsf shared_host ./Masaüstü/shared_VM<ol>
<li>Parola istendiğinde, "1" girin ve Şekil 4'tegösterildiği gibi "Enter" tuşuna basın.</li>
	</ol>
</li>
</ol>3. Dosyaları eğitim seti ve test seti için hazırlayın
<ol><li>Eğitim ve test işlemi için dört sıra dosyasını da "fasta" biçiminde fiziksel ana bilgisayarın "shared_host" klasörüne kopyalayın. Bu şekilde, tüm dosyalar sanal makinenin "shared_VM" klasöründe de yer alacaktır. Ardından, "shared_VM" klasöründeki dosyaları sanal makinenin "DeepLearning" klasörüne kopyalayın.</li>
</ol>4. "Tek sıcak" kodlama formunu kullanarak biyolojik dizileri dijitalleştirin
<ol><li>"DeepLearning" klasörüne gidin, sağ tıklayın ve terminali açın. Aşağıdaki komutu yazın: ./onehot_encoding p_train.fasta n_train.fasta p_test.fasta n_test.fasta aa (amino asit dizileri için) veya ./onehot_encoding p_train.fasta n_train.fasta p_test.fasta n_test.fasta nt (nükleik asit dizileri için) NOT: Bu işlemin ekran görüntüsü Şekil 5.</li>
</ol>5. Yapay sinir ağını eğitin ve test edin
<ol><li>Terminalde, Şekil 6'dagösterildiği gibi aşağıdaki komutu yazın: piton train.py NOT: Eğitim süreci başlayacaktır.</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>

Yazarlar çıkar çatışması olmadığını beyan eder.

Bu öğretici, biyologlar ve algoritma tasarımına yeni başlayanlar için metanenomik verilerde biyolojik dizi sınıflandırması için kullanımı kolay bir derin öğrenme çerçevesinin nasıl oluşturulacağı hakkında genel bir bakış sağlar. Bu öğretici, derin öğrenmenin sezgisel olarak anlaşılmasını sağlamayı ve yeni başlayanların genellikle derin öğrenme paketini yüklemekte ve algoritmanın kodunu yazmakta zorlandığı zorluğu ele almayı amaçlamaktadır. Bazı basit sınıflandırma görevleri için, kullanıcılar sınıflandırma görevlerini ge...

Metanemik dizileme tekniği gerinim izolasyon sürecini atlar ve çevresel bir örnekteki toplam DNA'yı doğrudan sıralar. Bu nedenle, metasagenomik veriler farklı organizmalardan DNA içerir ve biyolojik dizilerin çoğu mevcut veritabanında bulunmayan yeni organizmalardandır. Farklı araştırma amaçlarına göre, biyologların bu dizileri taksonomik sınıflandırma 1 , virüs-bakteri sınıflandırması 2,3,4, kromozom-plazmid sınıflandırması 3 ,5,6,7ve gen fonksiyonu ek açıklaması (antibiyotik direnci gen sınıflandırması8 ve virülans faktörü sınıflandırması9 gibi farklı açılardan sınıflandırmaları gerekir. ). Metasagenomik veriler çok sayıda yeni tür ve gen içerdiğinden, dizi sınıflandırması için bilinen veritabanlarına (DNA sınıflandırması ve protein sınıflandırması dahil) dayanmayan ab initio algoritmaları metasagenomik veri analizinde önemli bir yaklaşımdır. Bununla birlikte, bu tür algoritmaların tasarımı profesyonel matematik bilgisi ve programlama becerileri gerektirir; bu nedenle, birçok biyolog ve algoritma tasarımı yeni başlayanlar kendi ihtiyaçlarına uygun bir sınıflandırma algoritması oluşturmak zor vardır.
Yapay zekanın gelişmesiyle birlikte, metaagenomik analizde sıra sınıflandırması gibi görevleri tamamlamak için biyoinformatik alanında derin öğrenme algoritmaları yaygın olarak kullanılmıştır. Yeni başlayanların derin öğrenme algoritmalarını anlamalarına yardımcı olmak için algoritmayı aşağıda anlaşılması kolay bir şekilde açıklıyoruz.
Şekil 1'dederin öğrenme tekniğine genel bir bakış gösterilmiştir. Derin öğrenme algoritmasının temel teknolojisi, insan beyninin yapısından ilham alan yapay bir sinir ağıdır. Matematiksel açıdan, yapay bir sinir ağı karmaşık bir işlev olarak kabul edilebilir. Her nesne (DNA dizisi, fotoğraf veya video gibi) önce dijitalleştirilir. Dijitalleştirilmiş nesne daha sonra işleve içe aktarılır. Yapay sinir ağının görevi, giriş verilerine göre doğru bir yanıt vermektir. Örneğin, 2 sınıflı bir sınıflandırma görevi gerçekleştirmek için yapay bir sinir ağı oluşturulursa, ağ her nesne için 0-1 arasında bir olasılık puanı çıkarmalıdır. Sinir ağı, negatif nesneye daha düşük bir puan verirken pozitif nesneye daha yüksek bir puan (0,5'ten yüksek bir puan gibi) vermelidir. Bu amaca ulaşmak için eğitim ve test süreçleri ile yapay bir sinir ağı oluşturulur. Bu işlemler sırasında, bilinen veritabanındaki veriler indirilir ve daha sonra bir eğitim kümesine ve test kümesine ayrılır. Her nesne uygun bir şekilde dijitalleştirilir ve bir etiket verilir (pozitif nesneler için "1", negatif nesneler için "0"). Eğitim sürecinde, eğitim kümesindeki dijitalleştirilmiş veriler sinir ağına girilir. Yapay sinir ağı, giriş nesnesinin çıkış puanı ile nesnenin karşılık gelen etiketi arasındaki benzerliği temsil eden bir kayıp işlevi oluşturur. Örneğin, çıkış puanı "0,1" iken giriş nesnesinin etiketi "1" ise, kayıp işlevi yüksek olacaktır; ve çıkış puanı "0,1" iken giriş nesnesinin etiketi "0" ise, kayıp işlevi düşük olacaktır. Yapay sinir ağı, kayıp işlevini en aza indirmek için sinir ağının parametrelerini ayarlayan belirli bir yineleme algoritması kullanmaktadır. Kayıp fonksiyonu açıkça daha da azaltılamadığında eğitim süreci sona erecek. Son olarak, test kümesindeki veriler sabit sinir ağını test etmek için kullanılır ve sinir ağının yeni nesneler için doğru etiketleri hesaplama yeteneği değerlendirilir. Derin öğrenme algoritmalarının daha fazla ilkesi LeCun ve ark.'daki incelemede bulunabilir. 10.
Derin öğrenme algoritmalarının matematiksel ilkeleri karmaşık olsa da, son zamanlarda çok paketlenmiş birçok derin öğrenme paketi geliştirilmiştir ve programcılar birkaç kod satırıyla doğrudan basit bir yapay sinir ağı oluşturabilirler.
Biyologlara ve algoritma tasarımına yeni başlayanların derin öğrenmeyi daha hızlı kullanmaya başlamalarına yardımcı olmak için, bu öğretici sıra sınıflandırması için kullanımı kolay bir derin öğrenme çerçevesi oluşturmak için bir kılavuz sağlar. Bu çerçeve, biyolojik dizileri dijitalleştirmek için matematiksel model olarak "tek sıcak" kodlama formunu kullanır ve sınıflandırma görevini gerçekleştirmek için bir evrişim sinir ağı kullanır (ek malzemeyebakın). Kullanıcıların bu kılavuzu kullanmadan önce yapmaları gereken tek şey, dört sıra dosyasını "fasta" biçiminde hazırlamaktır. İlk dosya, eğitim süreci için pozitif sınıfın tüm dizilerini içerir ("p_train.fasta" olarak adlandırılır); ikinci dosya, eğitim süreci için negatif sınıfın tüm dizilerini içerir ("n_train.fasta" olarak adlandırılır); üçüncü dosya, test işlemi için pozitif sınıfın tüm dizilerini içerir ("p_test.fasta" olarak adlandırılır); ve son dosya test işlemi için negatif sınıfın tüm dizilerini içerir ("n_test.fasta" olarak adlandırılır). Bu öğreticinin akış çizelgesine genel bakış Şekil 2'de verilmiştir ve aşağıda daha fazla ayrıntı belirtilecektir.

<table><tbody><tr><td>PC veya sunucu</td><td>NA</td><td>NA</td><td>Önerilen bellek: >6GB</td></tr><tr><td>VirtualBox yazılımı</td><td>NA</td><td>NA Bağlantı</td><td>: https://www.virtualbox.org</td></tr></tbody></table>

metaagenomik verilerin biyolojik dizilerini sınıflandırmak için derin Öğrenmeyi kullanmak için bilgisayar uzmanı olmayanlar için bir sanal makine platformu

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

Birçok metaagenomik veri analizinde tür sınıflandırması, gen fonksiyon sınıflandırması ve viral konak sınıflandırması gibi çeşitli biyolojik dizi sınıflandırma görevleri beklenmektedir. Metasagenomik veriler çok sayıda yeni tür ve gen içerdiğinden, birçok çalışmada yüksek performanslı sınıflandırma algoritmalarına ihtiyaç vardır. Biyologlar genellikle belirli bir görev için uygun sıra sınıflandırması ve ek açıklama araçları bulmada zorluklarla karşılaşırlar ve genellikle gerekli matematiksel ve hesaplama bilgisinin eksikliği nedeniyle karşılık gelen bir algoritmayı kendi başlarına inşa edemezler. Derin öğrenme teknikleri son zamanlarda popüler bir konu haline geldi ve birçok sınıflandırma görevine güçlü avantajlar gösteriyor. Bugüne kadar, biyologların algoritma detayları hakkında derinlemesine bilgi sahibi olmadan kendi ihtiyaçlarına göre derin öğrenme çerçeveleri oluşturmalarını mümkün kılan çok sayıda yüksek paketli derin öğrenme paketi geliştirilmiştir. Bu öğreticide, yeterli matematiksel bilgiye veya programlama becerisine ihtiyaç duymadan sıra sınıflandırması için kullanımı kolay bir derin öğrenme çerçevesi oluşturmak için bir kılavuz sunuyoruz. Tüm kod, kullanıcıların kendi verilerini kullanarak kodu doğrudan çalıştırabilmeleri için bir sanal makinede en iyi duruma getirilir.

Önceki çalışmamızda, bu öğreticiye benzer bir yaklaşım kullanarak metanezomik veriler için bir dizi sıra sınıflandırma aracı geliştirdik3,11,12. Örnek olarak, önceki çalışmamız3,11'den eğitim seti ve test kümesinin alt kümesinin sıra dosyalarını sanal makineye yatırdık.
Fang &amp; Zhou11 virom verilerinden tam ve kısmi ...

Bu öğretici, metanemik verilerin 2 sınıflı sıra sınıflandırmasını gerçekleştirmek için derin öğrenme algoritması oluşturmak için basit bir yöntemi açıklar.

Metaagenomik Verilerin Biyolojik Dizilerini Sınıflandırmak için Derin ÖğrenmeYi Kullanmak için Bilgisayar Uzmanı Olmayanlar için Bir Sanal Makine Platformu

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

Tür sınıflandırması, gen fonksiyon sınıflandırması ve tel konak sınıflandırması gibi çeşitli biyolojik dizi sınıflandırma görevi, birçok metanezik veri analizinde beklenen süreçlerdir. Metasagenomik veriler çok sayıda Novo türü ve geni içerdiğinden, birçok çalışmada yüksek performanslı sınıflandırma organizmalarına ihtiyaç vardır. Biyologlar genellikle belirli bir görev için uygun sıra sınıflandırma ve gösterim araçlarını bulmakta zorlukla karşılaşırlar ve genellikle gerekli matematiksel ve hesaplama bilgisinin eksikliği nedeniyle karşılık gelen bir organizmayı kendi başlarına inşa edemezler.Derin öğrenme teknikleri son zamanlarda popüler bir konu haline geldi ve birçok sınıflandırma görevine güçlü bir avantaj gösteriyor. Bugüne kadar, biyologların organizma detayları hakkında derinlemesine bilgi sahibi olmadan kendi ihtiyaçlarına göre derin öğrenme çerçeveleri oluşturmalarını mümkün kılan çok sayıda yüksek paketlenmiş derin öğrenme paketi geliştirilmiştir. Bu öğreticide, yeterli matematiksel bilgiye veya programlama becerisine ihtiyaç duymadan sıra sınıflandırması için kullanımı kolay bir derin öğrenme çerçevesi oluşturmak için bir kılavuz sunuyoruz.Aşağıdaki videoda, biyolojik sıra sınıflandırması gerçekleştirmek için sanal makinenin nasıl kullanılacağı gösterilir. Kullanıcıların sanal makine dosyasını öğretici ana sayfadan indirmeleri ve ardından VirtualBox yazılımını indirmeleri gerekir. Sanal makine yetmiş dosya olarak sıkıştırılır.Yetmiş dosya, WinRar, Winzip ve 7-Zip gibi geçerli bir sıkıştırma yazılımı kullanılarak kolayca açılabilir. 7-Zip kullanarak sanal makinenin basıncını açtık. Dekompresyon biraz zaman alabilir.Lütfen bir süre bekleyin. Açmadan sonra kullanıcıların VirtualBox yazılımını yüklemeleri gerekir. VirtualBox'ı yüklemek için bir klasör oluşturun.VirtualBox yükleme paketi oluşturun. Kendi oluşturduğunuz klasörü seçin. Ardından, her adımda bir sonraki düğmeye tıklayarak VirutalBox yazılımını yükleyin.Kurulum biraz zaman alabilir, lütfen bir süre bekleyin. VirtualBox yazılımını açın. Sanal makine oluşturmak için yeni bir düğme oluşturun.Ad çerçevesine kendiniz belirtilen sanal makine adını girin. Tür çerçevesinde işletim sistemi olarak Linux'u seçin. Sürüm çerçevesinde Ubuntu'yu seçin ve sonraki düğmeyi tıklatın.Mümkünse, sanal makineye daha fazla miktarda bellek ayırın. Varolan bir sabit disk dosyası seçimini doğru kullanın. Öğretici ana sayfasından indirilen sanal makine dosyasını seçin.Ardından oluştur düğmesine tıklayın. Sanal makineyi açmak için bir başlat düğmesini tıklatın. Sanal makineyi başlatmak biraz zaman alabilir.Lütfen bir sonraki adımdan önce bir dakika bekleyin. Daha sonra kullanıcıların dosya alışverişi için hem fiziksel ana bilgisayarlarda hem de sanal makinede paylaşılan klasör oluşturmaları gerekir. Fiziksel ana bilgisayarınızda, paylaşılan ana bilgisayar adlı bir paylaşılan klasör oluşturun ve sanal makinenin masaüstünde, paylaşılan adlı bir klasör oluşturun VM.In sanal makinenin el ile çubuğu, aygıtları, paylaşılan klasörleri, paylaşılan klasör ayarlarını art arda tıklatın.Sağ üst köşedeki düğmeyi tıklatın. Kendiniz tarafından oluşturulan fiziksel ana bilgisayardaki paylaşılan klasörü seçin. Otomatik bağlama seçeneğini belirleyin.Tamam düğmesini tıklatın. Ardından sanal makineyi yeniden başlatın. Sanal makineyi yeniden başlatmak biraz zaman alabilir.Lütfen bir sonraki adımdan önce bir dakika bekleyin. Sanal makinenin masaüstüne sağ tıklayın ve terminali açın. Terminale aşağıdaki komutu yazın.Sudo, boşluk tuşu, bağlama, boşluk tuşu, çubuk T, boşluk tuşu, vboxsf, boşluk tuşu, paylaşılan ana bilgisayar, boşluk tuşu, nokta eğik çizgi, masaüstü, eğik çizgi, paylaşılan VM.Parola istendiğinde, bir tane girin ve enter tuşuna dokunun. Eğitim ve test işlemi için dört sıra dosyasını da daha hızlı biçimde fiziksel ana bilgisayarın paylaşılan ana bilgisayar klasörüne kopyalayın. Bu şekilde, tüm dosyalar sanal makinenin paylaşılan VM klasöründe de gerçekleşir.Ardından, paylaşılan VM klasöründeki dosyaları sanal makinenin derin öğrenme klasörüne kopyalayın. Sağ tıklatın ve terminali açın ve tek bir sıcak kodlama gerçekleştirmek için aşağıdaki komutu yazın. Nokta eğik çizgi, bir sıcak kodlama, eğitim ve test için dosyaları belirtin.Ve sıra türünü belirtin. Ardından, eğilim işlemini başlatmak için aşağıdaki komutu yazın. Python uzay anahtarı, tren noktası P Y.Sonra trend süreci başlayacaktır.Bu işlem, veri kümesi boyutunuza bağlı olarak birkaç saat veya birkaç gün sürebilir. İşlem tamamlandığında, test verilerinin tahmin sonucu predict dot CSV dosyasında bulunur. Önceki çalışmalarımızda, bu öğreticiye benzer bir yaklaşım kullanarak metanezomik veriler için bir dizi sıra sınıflandırma aracı geliştirdik.Örneğin, çalışma verilerinden tam ve kısmi prokaryot virüsü virion proteinlerini tanımlamayı amaçlayan bir araç geliştirdik. Ve metogenomik verilerdeki bakteri kromozomu DNA parçalarından faj DNA parçalarını tanımlamayı amaçlayan bir araç. Bu öğreticinin komut dosyasını kullanan araçların performansı a ve b şekilde gösterilmiştir.Sonuç olarak, bu öğretici biyolog ve organizmalar tasarımı yeni başlayanlar için metogenomik verilerde biyolojik dizi sınıflandırması için kullanımı kolay bir derin öğrenme çerçevesinin nasıl oluşturulacağına dair bir genel bakış sağlar. Bu öğretici, derin öğrenmenin sezgisel olarak anlaşılmasını sağlamayı ve yeni başlayanların genellikle derin öğrenme paketini başlatmakta ve organizmanın kodunu yazmakta zorlandığı zorluğu ele almayı amaçlamaktadır. Bazı basit sınıflandırma görevleri için, kullanıcılar sınıflandırma görevini gerçekleştirmek için çerçevemizi kullanabilir.

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

Research

JoVE Journal

Genetics

Genetik

RNA-Seq analizleri, model olmayan organizmalarda adaptif özelliklerin moleküler temellerini belirlemek için giderek daha önemli hale geliyor. Burada, diyapoz ve diyapoz olmayan Aedes albopictus sivrisinekleri arasında diferansiyel olarak ifade edilen genleri tanımlamak için bir protokol, sivrisinek yetiştiriciliğinden RNA dizilimine ve RNA-Seq verilerinin biyoinformatik analizlerine kadar açıklanmaktadır.

Asya Tiger Sivrisinek içinde Photoperiodic Diapause RNA-seq Analizler Deneysel ve Biyoinformatik Protokolü, Aedes albopictus

Örneğin, kistik fibroz hava yolunu kullanarak, el yazması bir hayvan ile ilişkili örneklerde mikrobik ve virüs toplulukları karakterize metagenomic ve metatranscriptomic yaklaşımların bir kombinasyonu içeren kapsamlı bir akışını göstermektedir.

Saf olmayan Arındırıcı: Sıralama Metagenomes ve Metatranscriptomes Kompleksi Hayvan ilişkili Örneklerinden

Silajlık sığır yemlerinin mikrobiyomunu araştırmak için Metagenomik kullanılmıştır. Analiz, av tüfeği dizilimi ile gerçekleştirildi. Bu yaklaşım, sığır yemi içindeki mikrobiyal topluluğun bileşimini karakterize etmek için kullanılmıştır.

Yemlerin metagenomic Analizi

Bu protokol, acemi biyoinformatikçiler için karşılaştırmalı bir de novo transkriptom derlemesi ve açıklama iş akışını ana hatlarıyla belirtir. İş akışı tamamen CyVerse aracılığıyla ücretsiz olarak kullanılabilir ve Veri Deposu ile bağlanır. Komut satırı ve grafik kullanıcı arayüzleri kullanılır, ancak gereken tüm kodlar kopyalanıp yapıştırılabilir.

CyVerse Kaynaklarını Kaldıracak<emDe Novo</em&gt; Yetersiz Üretilmiş (Model Olmayan) Organizmaların Karşılaştırmalı Transkriptomikleri

Hedeflenen yeni nesil sıralama Hastalıkları Araştırma ve Klinik teşhis giderek daha popüler hale geliyor zaman ve maliyet-etkin bir yaklaşımdır. Burada açıklanan protokol sıralaması için gerekli karmaşık iş akışı ve hastalık katkıda genetik varyantların tanımlamak için kullanılan Biyoinformatik işlem sunar.

Hedef yeni nesil sıralama ve Biyoinformatik boru hattı anayasal hastalığı genetik belirleyicileri değerlendirmek için

Pozitif Maya 2-hibrid etkileşimleri için potansiyel olarak seçilen Maya nüfusun derin sıralama etkileşen ortak proteinler hakkında bilgi hazinesi verir. Burada, biz böyle ekranlar sıra verileri çözümlemek için özelleştirilmiş güncelleştirmek bilgisayar yazılımı ve belirli Biyoinformatik araçlarını işlemini açıklar.

Sıralı veri--dan toplu Maya 2-hibrid perde Bilişim Analizi

Burada açıklanan serbestçe kullanılabilir araçları kullanarak 16S rRNA metagenomik sıralama ve analiz kullanarak mikrobiyom profilleme için basitleştirilmiş bir standart işletim prosedürüdür. Bu protokol mikrobiyom alanında yeni araştırmacılar yanı sıra daha yüksek bir çözünürlükte bakteriyel profilleme elde etmek için yöntemler güncellemeleri gerektiren yardımcı olacaktır.

İki adımlı PCR ve Yeni Nesil 16S rRNA Gen Sıralaması Kullanarak Mikrobiyota Analizi

Burada sunulan protokol, RNA dizilimi transkriptom verilerini ham okumalardan fonksiyonel analize analiz etmek için kalite kontrolü ve gelişmiş istatistiksel analitik yaklaşımlara yönelik ön işleme adımları da dahil olmak üzere eksiksiz bir işlem hattını açıklar.

Konak-Patojen Etkileşimlerini Araştırmak için Yüksek Verimli Transkriptom Analizi

Bu analitik hesaplama platformu, bakteriyel popülasyon genomiği ile ilgilenen mikrobiyologlar, ekolojistler ve epidemiyologlar için pratik rehberlik sağlar. Özellikle, burada sunulan çalışma nasıl gerçekleştirileceğini göstermiştir: i) hiyerarşik genotiplerin filogeni rehberliğinde haritalanması; ii) genotiplerin frekansa dayalı analizi; iii) akrabalık ve klonalite analizleri; iv) Soy farklılaştırıcı aksesuar lokuslarının tanımlanması.

Bakteriyel Popülasyonlarda Hiyerarşik Genotiplerin ve Aksesuar Genom Loci'nin Sezgisel Madenciliği

Mime, zarif performansa sahip makine öğrenimi tabanlı bir entegrasyon modeli oluşturmak için esnek bir hesaplama çerçevesidir. Burada, hastalığın ilerlemesi, hasta sonuçları ve terapötik yanıtla ilişkili kritik genleri belirlemek için karmaşık veri kümelerinden yararlanarak, yüksek doğrulukta tahmine dayalı modeller geliştirmek için ayrıntılı bir adım adım prosedür sunuyoruz.

Mime Tabanlı Makine Öğrenmesi Çerçevesini Kullanarak Modeller Oluşturma ve Görselleştirme

Öğrenin, derin öğrenme ile metaagenomik verilerdeki biyolojik dizileri sınıflandırmak için sanal makine tabanlı bir çerçeve oluşturmayı. Bu yöntem, programlama bilgisi gerektirmeden biyologların hızlı analiz yapmasını sağlar.

Metaagenomik Verilerin Biyolojik Dizilerini Sınıflandırmak için Derin ÖğrenmeYi Kullanmak için Bilgisayar Uzmanı Olmayanlar için Bir Sanal Makine Platformu (Video) | JoVE Journal

Metaagenomik Verilerin Biyolojik Dizilerini Sınıflandırmak için Derin ÖğrenmeYi Kullanmak için Bilgisayar Uzmanı Olmayanlar için Bir Sanal Makine Platformu

Daha fazla video keşfet