Metaagenomik Verilerin Biyolojik Dizilerini Sınıflandırmak için Derin ÖğrenmeYi Kullanmak için Bilgisayar Uzmanı Olmayanlar için Bir Sanal Makine Platformu
25 Eylül 2021
Bu öğretici, metanemik verilerin 2 sınıflı sıra sınıflandırmasını gerçekleştirmek için derin öğrenme algoritması oluşturmak için basit bir yöntemi açıklar.
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.
Tam transkripti görüntüleyin ve binlerce bilimsel videoya erişin
Genel Bakış
Bu öğretici, metagenomik verilerin 2 sınıf dizi sınıflandırması için bir derin öğrenme çerçevesi oluşturma kılavuzu sağlar. Biyolojistlerin, kapsamlı matematiksel veya programlama bilgisi gerektirmeden dizi sınıflandırmasıyla ilgili zorlukların üstesinden gelmelerine yardımcı olmayı amaçlamaktadır.
Çalışmanın Temel Bileşenleri
Bilim Alanı
- Metagenomik
- Derin Öğrenme
- Biyoinformatik
Arka Plan
- Biyolojik dizi sınıflandırması çeşitli analizler için kritik öneme sahiptir.
- Metagenomik veriler genellikle çok sayıda yeni tür ve gen içerir.
- Etkili çalışmalar için yüksek performanslı sınıflandırma araçları esastır.
- Birçok biyolog, bu araçları bağımsız olarak geliştirmek için gerekli hesaplama becerilerine sahip değildir.
Çalışmanın Amacı
- Derin öğrenme çerçevesi oluşturma için erişilebilir bir yöntem sağlamak.
- Biyologların derin teknik bilgi olmadan dizileri sınıflandırabilmelerini sağlamak.
- Biyolojik araştırmalarda derin öğrenmenin kullanılabilirliğini artırmak.
Kullanılan Yöntemler
- Kullanıcı dostu bir derin öğrenme algoritması geliştirilmesi.
- Dizi sınıflandırma görevleri için kılavuzlar.
- Mevcut derin öğrenme paketlerinin kullanılması.
- Metagenomik verilerin 2 sınıf sınıflandırmasına odaklanılması.
Ana Sonuçlar
- Derin öğrenme çerçevesinin başarılı bir şekilde oluşturulması.
- Biyologlar için kullanım kolaylığının gösterilmesi.
- Sınıflandırma görevlerinde derin öğrenmenin etkinliğinin vurgulanması.
- Metagenomik verilerin daha fazla araştırılması için bir kaynağın sağlanması.
Sonuçlar
- Derin öğrenme, biyolojik dizi sınıflandırmasında önemli bir yardım sağlayabilir.
- Biyologlar, bu araçları kapsamlı eğitim almadan kullanabilir.
- Bu öğretici, araştırmacılar için değerli bir kaynak olarak hizmet eder.
Sıkça Sorulan Sorular
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
