Хм 4713: Холодильник Атлант ХМ 4713-100 – инструкция по эксплуатации на русском языке

Панель откидная для морозильной камеры холодильника Атлант 774142100800 / 470х185мм

Особенности
Панель (крышка, щиток) ящика морозильной камеры для холодильника Atlant (Атлант) 774142100800

К данной панели подходит подходит поддон 769748401801.

Оригинальный код панели холодильника: 774142100800,
Длинна полки холодильника: 470 мм.
Ширина полок холодильников: 184 мм.
Глубина полок холодильников: 18 мм.
Вид панели ящика холодильника: выдвижная, откидная.

Код взаимозаменяемых полок холодильника: 774142100100.
Подходят панель ящика к марками холодильников Atlant (Атлант):
м 7003, м 7103, м 7184, мм 163, мм 164, мм 183, мм 184, мхм 1841, мхм 1842, мхм 1843, мхм 1844, мхм 1845, мхм 1847, мхм 1848, мхм 1841, хм 4008, хм 4009, хм 4010, хм 4011, хм 4012, хм 4013, хм 4021, хм 4023, хм 4024, хм4025, хм4026, хм409, хм4091, хм4092, хм4098, хм4099, хм 411, хм 412, хм 4708, хм 4709, хм 4710, хм 4711, хм 4712, хм 4713, хм 4721, хм 4723, хм 4724, хм 4725, хм 4726, хм 5008, хм 5009, хм 5010, хм 5011, хм 5012, хм 5013, хм 5014, хм 5015, хм 5091, хм 5094, хм 5095, хм 5096, хм 6001, хм 6002, хм 6019, хм 6020, хм 6021, хм 6022, хм 6023, хм 6024, хм 6025, хм 6026, хм 6091, хм 6093, хм 6094, хм 6095, хм 6096, хм 6319, хм 6321, хм 6323, хм 6324, хм 6325, хм 6326, хт 2000, хт 2001

Термостат К59-L2098 холодильной камеры Атлант 908081492098 в Воронеже

Описание

Терморегулятор К-59 L2098 двухкамерных холодильников Атлант, Стинол, Индезит, Аристон и др.

Взаимосвязанные коды, аналоги:
– Атлант 908081400122, 908081450704, 908081492098, 908081450702, 908081450701, 908081450260, 908081821959, 908081821958, 908081400132, 908081450118, 908081400067, 908081400129, 908081400128, 908081450556, 908081400058, 908081400134, 908081400121, 908081450242,
– ТАМ-133-1М-46-1.2-6.3-2А, TAM-133-1M-46-1.4-4.8-2A, ТАМ133-1М-46-1.3-4.8-2-А, TAM133-1M-46-1.3-4.8-2-A, ТАМ133-1М-46-1.2-6.3-2А,

Совместимость:

МХ-2822-**, МХ-2823-**, МХМ-1600, МХМ-1602, МХМ-1603, МХМ-160-50, МХМ-1607, МХМ-161-50, МХМ-1616, МХМ-162-30, МХМ-162-50, МХМ-1800, МХМ-1802, МХМ-1803, МХМ-1807, МХМ-1809, МХМ-1816, МХМ-2808, МХМ-2808-**, МХМ-2819, МХМ-2819-**, МХМ-2835-**, МХМ-2898, МХМ-2898-**, ХМ-4007, ХМ-4007-***, ХМ-4108, ХМ-4108-***, ХМ-4109, ХМ-4109-***, ХМ-4110-***, ХМ-4111, ХМ-4111-***, ХМ-4112, ХМ-4112-***, ХМ-4113, ХМ-4113-***, ХМ-4410, ХМ-4708-***, ХМ-4709-***, ХМ-4710-***, ХМ-4711-***, ХМ-4712-***, ХМ-4713-***, ХМ-4721-***, ХМ-4723-***, ХМ-4724-***, ХМ-4725-***, ХМ-4726-***, КШД-126-1 300/60, КШД-150-* 300/60, КШД-151-** 300/115, КШД-152-** 330/115, МХМ-1600-** КШД 340-80, МХМ-1602-** КШД 340-80, МХМ-1603-** КШД 290/80, МХМ-160-50 КШД 250-80, МХМ-1607-** КШД 290/115, МХМ-161-50 КШД 300/115, МХМ-1616-** КШД 301-80, МХМ-162-30 КШД 300/115, МХМ-162-50 КШД 330/115, MX-2822-**, MX-2823-**, MXM-1600, MXM-1602, MXM-1603, MXM-160-50, MXM-1607, MXM-161-50, MXM-1616, MXM-162-30, MXM-162-50, MXM-1800, MXM-1802, MXM-1803, MXM-1807, MXM-1809, MXM-1816, MXM-2808, MXM-2808-**, MXM-2819, MXM-2819-**, MXM-2835-**, MXM-2898, MXM-2898-**, XM-4007, XM-4007-***, XM-4108, XM-4108-***, XM-4109, XM-4109-***, XM-4110-***, XM-4111, XM-4111-***, XM-4112, XM-4112-***, XM-4113, XM-4113-***, XM-4410, XM-4708-***, XM-4709-***, XM-4710-***, XM-4711-***, XM-4712-***, XM-4713-***, XM-4721-***, XM-4723-***, XM-4724-***, XM-4725-***, XM-4726-***, КШД-126-1 300/60, КШД-150-* 300/60, КШД-151-** 300/115, КШД-152-** 330/115, MXM-1600-** КШД 340-80, MXM-1602-** КШД 340-80, MXM-1603-** КШД 290/80, MXM-160-50 КШД 250-80, MXM-1607-** КШД 290/115, MXM-161-50 КШД 300/115, MXM-1616-** КШД 301-80, MXM-162-30 КШД 300/115, MXM-162-50 КШД 330/115, МХ2822, МХ2823, МХМ1600, МХМ1602, МХМ1603, МХМ16050, МХМ1607, МХМ16150, МХМ1616, МХМ16230, МХМ16250, МХМ1800, МХМ1802, МХМ1803, МХМ1807, МХМ1809, МХМ1816, МХМ2808, МХМ2808, МХМ2819, МХМ2819, МХМ2835, МХМ2898, МХМ2898, ХМ4007, ХМ4007, ХМ4108, ХМ4108, ХМ4109, ХМ4109, ХМ4110, ХМ4111, ХМ4111, ХМ4112, ХМ4112, ХМ4113, ХМ4113, ХМ4410, ХМ4708, ХМ4709, ХМ4710, ХМ4711, ХМ4712, ХМ4713, ХМ4721, ХМ4723, ХМ4724, ХМ4725, ХМ4726, КШД1261 300/60, КШД150 300/60, КШД151 300/115, КШД152 330/115, МХМ1600 КШД 34080, МХМ1602 КШД 34080, МХМ1603 КШД 290/80, МХМ16050 КШД 25080, МХМ1607 КШД 290/115, МХМ16150 КШД 300/115, МХМ1616 КШД 30180, МХМ16230 КШД 300/115, МХМ16250 КШД 330/115, MX2822, MX2823, MXM1600, MXM1602, MXM1603, MXM16050, MXM1607, MXM16150, MXM1616, MXM16230, MXM16250, MXM1800, MXM1802, MXM1803, MXM1807, MXM1809, MXM1816, MXM2808, MXM2808, MXM2819, MXM2819, MXM2835, MXM2898, MXM2898, XM4007, XM4007, XM4108, XM4108, XM4109, XM4109, XM4110, XM4111, XM4111, XM4112, XM4112, XM4113, XM4113, XM4410, XM4708, XM4709, XM4710, XM4711, XM4712, XM4713, XM4721, XM4723, XM4724, XM4725, XM4726, КШД1261 300/60, КШД150 300/60, КШД151 300/115, КШД152 330/115, MXM1600 КШД 34080, MXM1602 КШД 34080, MXM1603 КШД 290/80, MXM16050 КШД 25080, MXM1607 КШД 290/115, MXM16150 КШД 300/115, MXM1616 КШД 30180, MXM16230 КШД 300/115, MXM16250 КШД 330/115; Для холодильников Beko (Беко): CS325000, CS338022, CS 325000, CS 338022; Для холодильников Stinol (Стинол): C236NF, RA32, RF305BK, RF370 , RF370BK, RFC340BK, RFC370BK; Для холодильников Indesit (Индезит): C132G, SB15040, SB167, SB200, ST14510, TT85T;

Чувствительный и точный филогенетический профайлер на основе дерева

Биоинформатика. 2020 сен 15; 36 (18): 4706–4713.

Райан Маклафлин

^b1 Аспирантура по биоинформатике, Университет Британской Колумбии, Центр геномных наук, Ванкувер, Британская Колумбия V5Z 4S6, Канада

Захари Армстронг

^b2 Программа по геномной науке и технологиям, Университет Британской Колумбии, Ванкувер, Британская Колумбия, V6T 1Z4, Канада

Грейс Чжан

^b3 Кафедра электротехники и вычислительной техники, Университет Британской Колумбии, Ванкувер, Британская Колумбия, V6T 1Z4, Канада

Кевин Чан

^b3 Кафедра электротехники и вычислительной техники, Университет Британской Колумбии, Ванкувер, Британская Колумбия, V6T 1Z4, Канада

Стивен Дж.

^b1 Аспирантура по биоинформатике, Университет Британской Колумбии, Центр геномных наук, Ванкувер, Британская Колумбия V5Z 4S6, Канада

^b2

^b3 Департамент электротехники и вычислительной техники, Университет Британской Колумбии, Ванкувер, Британская Колумбия, V6T 1Z4, Канада

^b4 Департамент микробиологии и иммунологии, Университет Британской Колумбии, 2552-2350 Health Sciences Mall, Ванкувер, Британская Колумбия V6T 1Z3, Канада

^b5 Программа обучения ECOSCOPE, Университет Британской Колумбии, Ванкувер, Британская Колумбия V6T 1Z, Канада

Арне Элофссон, младший редактор

^b1 Аспирантура по биоинформатике, Университет Британской Колумбии, Центр геномных наук, Ванкувер, Британская Колумбия V5Z 4S6, Канада

^b2 Программа по геномной науке и технологиям, Университет Британской Колумбии, Ванкувер, Британская Колумбия, V6T 1Z4, Канада

^b3 Департамент электротехники и вычислительной техники, Университет Британской Колумбии, Ванкувер, Британская Колумбия, V6T 1Z4, Канада

^b4 Департамент микробиологии и иммунологии, Университет Британской Колумбии, 2552-2350 Health Sciences Mall, Ванкувер, Британская Колумбия V6T 1Z3, Канада

^b5 Программа обучения ECOSCOPE, Университет Британской Колумбии, Ванкувер, Британская Колумбия V6T 1Z, Канада

Нынешний адрес: Лаборатория структурной биологии, Химический факультет, Йоркский университет, Йорк YO10 5DD, Великобритания

Получено 20 января 2020 г . ; Пересмотрено 11 июня 2020 г .; Принята в печать 30 июня 2020 г.

Abstract

Мотивация

Микробные сообщества управляют преобразованиями материи и энергии, неотъемлемой частью глобальных биогеохимических циклов, однако многие таксономические группы, способствующие этим процессам, остаются плохо представлены в базах данных биологических последовательностей.Из-за этой недостающей информации таксономическое определение последовательностей из экологических геномов остается неточным.

Результаты

Мы представляем программное обеспечение Tree-based Sensitive and Accurate Phylogenetic Profiler (TreeSAPP) для функциональной и таксономической классификации генов, реакций и путей из геномов культивируемых и некультивируемых микроорганизмов с использованием эталонных пакетов, представляющих кодирующие последовательности, опосредующие несколько глобально значимых биогеохимических циклов. TreeSAPP использует линейную регрессию эволюционного расстояния по таксономическому рангу для улучшения классификации, присваивая как тесно связанные, так и расходящиеся последовательности запросов в соответствующем таксономическом ранге.TreeSAPP может предоставлять количественные функциональные и таксономические классификации как для собранных, так и для несобранных последовательностей и файлов, поддерживающих интерактивные визуализации древа жизни.

1 Введение

et al.

Несмотря на множество опубликованных программ (Boyd et al., 2018; Buchfink et al. , 2015; Darling et al. , 2014), таксономическое отнесение остается нерешенной проблемой (Peabody et al. , 2015). При интерпретации таксономических профилей необходимо учитывать множество факторов, но, возможно, наиболее неприятными являются устаревшие ошибочные классификации в базах данных биологических последовательностей, которые особенно трудно предсказать и исправить (Козлов и др. , 2016; Merchant и др. , 2014; Наско и др. , 2018). Возможность ошибочной классификации усугубляется недавним включением составных геномов, собранных из метагенома (MAG) в такие базы данных (Shaiber and Eren, 2019).Более того, несмотря на огромный прогресс в высокопроизводительном культивировании (Cross et al. , 2019; Nichols et al. , 2010), большинство микроорганизмов из естественной и искусственно созданной среды по-прежнему необходимо изолировать в лабораторных условиях (Rappé and Giovannoni , 2003; Solden et al. , 2016; Steen et al. , 2019). Этот «пробел в культивировании» представляет собой серьезную проблему для таксономической классификации, поскольку многие последовательности, полученные из окружающей среды, отдаленно связаны с представителями в базах данных последовательностей, которые лежат в основе программного обеспечения таксономической классификации.Одноклеточные амплифицированные геномы (SAG) обладают потенциалом для преодоления этого разрыва путем связывания индивидуальных, экологических генотипов со специфическими таксономическими метками (Rinke et al. , 2013). Однако их полезность в конвейерах аннотаций еще не реализована.

Общие методы таксономической классификации включают попарное выравнивание последовательностей (Altschul et al. , 1990; Buchfink et al. , 2015), сопоставление k -меров (Kim et al. , 2016; Ondov et al. al., 2016) и филогенетическое размещение (Barbera et al. , 2019; Berger and Stamatakis, 2011; Matsen et al. , 2010; Stark et al. , 2010). Эти методы полагаются на проиндексированные файлы из настраиваемых наборов данных последовательностей или массивных репозиториев. Расстояние между запрашиваемой и эталонной последовательностями можно оценить, используя сходство последовательностей, эволюционное расстояние или их производные. Текущие методы таксономического присвоения не учитывают эти меры при классификации, вместо этого используют либо метод наименьшего общего предка (LCA), либо метод наилучшего совпадения, либо подход ансамбля для получения единой таксономической метки (Hanson et al., 2016; Huson et al. , 2007; Konwar et al. , 2013). Это часто приводит к чрезмерной классификации при наличии непредставленных таксонов. Методы филогенетического размещения хорошо оснащены для обработки геноцентрического назначения, потому что расстояния длины ветвей между запросом и связанными ссылочными последовательностями служат системой координат при оценке таксономических отношений (Ciccarelli et al. , 2006). Были разработаны приложения, которые калибруют пороги таксономического ранга в соответствии с длинами ветвей филогении (Parks et al., 2018; Wu et al. , 2013). В рамках базы данных таксономии генома (GTDB) узлы в эталонных филогенетиях калибруются по их значениям относительного эволюционного расстояния (RED) (Chaumeil et al. , 2019). Однако инструментарий GTDB предназначен не для геноцентрического таксономического присвоения, а для классификации геномов путем помещения конкатенированных последовательностей генов-маркеров с одной копией в предварительно вычисленные ссылочные деревья. В качестве альтернативы GraftM может использовать pplacer для филогенетического размещения запрашиваемых последовательностей в генных деревьях, но не учитывает эволюционное расстояние для корректировки избыточной классификации и аннотирует запрашиваемые последовательности, используя один справочный пакет за раз (Boyd et al., 2018).

Здесь мы представляем Tree-based Sensitive and Accurate Phylogenetic Profiler (TreeSAPP), геноцентрический инструмент функциональной и таксономической классификации, способный классифицировать белки и собранные или несобранные нуклеотидные последовательности. Значения фрагментов на килобазу на миллион считываний можно рассчитать и использовать во всех выходных данных для геномных или транскриптомных данных с короткими последовательностями считывания в формате FASTQ. Используя алгоритм эволюционного размещения (EPA) RAxML, TreeSAPP использует эволюционное расстояние до эталонных последовательностей (EDR), сумму дистальной и подвесной длин, а также среднюю длину от края размещения до всех дочерних кончиков листьев, коррелированных с таксономическим рангом. рекомендовать оптимальные таксономические ранги для более точной классификации.Информация о структурных и метаболических функциях может быть аннотирована в интерактивном дереве жизни (iTOL) и экспортирована для улучшения функциональной аннотации последовательностей запросов (Letunic and Bork, 2016). Помимо таблицы классификации, выходные данные по размещению совместимы с iTOL, что упрощает создание показателей качества публикации ().

Рабочий процесс текущего исследования. Последовательности для создания справочных пакетов были взяты из баз данных NCBI и FunGene. Последовательности были загружены с EggNOG для проверки эталонных пакетов и тестирования TreeSAPP против GraftM.Метагеномы IMG / M использовались для изучения глобального разнообразия Mcr

2 Материалы и методы

TreeSAPP был разработан на Python 3. Он использует пакет Python Environment for Tree Exploration для многих операций с деревьями (Huerta-Cepas et al. , 2016b). Пакет Python для многопроцессорной обработки используется для параллельного запуска исполняемых процессов, если не более эффективно использовать встроенные возможности распараллеливания программного обеспечения. BioPython используется для загрузки информации о происхождении из базы данных таксономии Энтреса для каждой эталонной последовательности при создании новых эталонных пакетов (Cock et al., 2009). Последовательности для эталонных пакетов, описанных в этой рукописи, были в основном загружены из репозитория FunGene, поскольку этот ресурс предоставляет курируемые последовательности для многих функциональных якорных генов, участвующих в основных биогеохимических циклах (Fish et al. , 2013) (дополнительная таблица S1). Кроме того, чтобы предоставить наиболее полные справочные деревья, недавно опубликованные последовательности, которые не были включены в FunGene 9.6, были включены из GenBank и Объединенного института генома в Интегрированные микробные геномы и микробиомы (IMG / M) (Borrel et al., 2019; Hua et al. , 2019; McKay et al. , 2019; Зейтц и др. , 2019; Wang et al. , 2019). Все тесты проводились на сервере с 20 физическими ядрами (40 виртуальными) процессорами Intel Xeon (E5-2650 v3), 264 ГБ ОЗУ и жестким диском на 5 ТБ. Операционная система — Red Hat Enterprise Linux Server версии 7.5 (Maipo).

2.1 Создание эталонных пакетов с помощью TreeSAPP Создание

Рабочий процесс классификации TreeSAPP требует множественного выравнивания последовательностей (MSA), модели Маркова со скрытым профилем (HMM), таксономических линий и филогенетического дерева для всех эталонных последовательностей (дополнительный рис. S1). Вместе эти файлы составляют справочный пакет, созданный с использованием treeapp create , и позволяют выполнять быструю фильтрацию последовательности запросов, филогенетическое размещение и таксономическую классификацию. Строительство началось с удаления усеченных последовательностей с использованием либо предоставленного HMM, либо фильтра базы данных перед загрузкой. Эмпирически определенный порог 60% покрытия профиля HMM требовался для возможных эталонных последовательностей, чтобы сбалансировать инклюзивность и качество профиля. Затем были загружены таксономические линии NCBI для каждой референсной последовательности-кандидата с действительным образцом.Информация о происхождении недоступных последовательностей может быть предоставлена ​​либо через таблицу, либо через файл FASTA с использованием настраиваемого формата заголовка. Была выполнена необязательная фильтрация на основе таксономии (например, для удаления вирусных или эукариотических последовательностей). Затем этот набор можно кластеризовать с помощью USEARCH с указанным пропорциональным сходством (Edgar, 2010). Негомологичные (т.е. выпадающие или неправильно аннотированные) последовательности были идентифицированы с помощью OD-Seq и удалены (Jehl et al. , 2015). Эти автоматически отобранные последовательности использовались для создания эталонного MSA с помощью алгоритма MAFFT -‘auto ’(Katoh and Standley, 2013).Полученный MSA был использован модулем «hmmbuild» HMMER для создания нового профиля HMM (Eddy, 1998). Перед построением дерева MSA необязательно был обрезан с использованием BMGE с наименее консервативной матрицей, BLOSUM30 для белков или PAM100 в противном случае, чтобы уменьшить время выполнения, необходимое для вывода филогении, путем удаления неконсервативных позиций (Criscuolo and Gribaldo, 2010).

По умолчанию RAxML используется для филогенетического вывода, автоматически с использованием оптимальной модели замещения (вызываемой с флагом -PROTGAMMAAUTO) и минимального количества необходимых бутстрапов (с использованием -‘autoMR ’) (Pattengale et al., 2010; Стаматакис, 2006). Тем не менее, в свете беглых результатов производительности таксономической классификации, указывающих на небольшую разницу между RAxML и FastTree (дополнительный рис. S6) с резкой разницей во времени вычислений, FastTree также доступен (Price et al. , 2010). В этом случае самонастраиваемое дерево не будет сгенерировано, и будет использоваться модель замены аминокислот LG, если пользователь не укажет иное (Le and Gascuel, 2008). Чтобы присвоить таксономии наиболее подходящий ранг с учетом расстояния размещения, для каждого справочного пакета оценивается линейная корреляция таксономического ранга с EDR.Вкратце, все последовательности из таксономической группы были удалены из ссылочного дерева до того, как сгруппированные последовательности из исходного входного файла FASTA были отображены обратно в дерево с помощью EPA. Расстояния размещения были рассчитаны и записаны перед следующей итерацией, включающей другой таксон, до тех пор, пока все возможные таксоны не будут полностью размещены. Затем выбросы удаляются из этих данных и сужаются для улучшения нормальности по рангам до того, как будет подобрана линейная модель.

2.2 Тестирование эффективности классификации с помощью TreeSAPP оценка

Эффективность классификации TreeSAPP была оценена с использованием анализа исключения кладов (описанного ниже) и метрики бинарной классификации, коэффициента корреляции Мэтьюза (MCC) (Matthews, 1975 (дополнительное уравнение S1).TreeSAPP сравнивали с GraftM и DIAMOND, реализованными в GraftM, с использованием 15 таксономических и 12 функциональных пакетов ссылок (дополнительная таблица S1). Пакеты функциональных якорных эталонов использовались только во время анализа исключения клады, поскольку их представление в данных теста MCC (EggNOG) было слишком ограниченным и потенциально могло стать источником систематической ошибки. Чтобы последовательно сравнивать методы, все анализы эффективности опирались на таксономическую иерархию NCBI для определения оптимального таксономического назначения каждой последовательности: таксономическая классификация с самым высоким разрешением в отношении таксономического состава справочного пакета (т.е. LCA между запросом и наиболее близкой ссылкой). В этих условиях «таксономическое расстояние» определяется как количество рангов, разделяющих ОЖЦ оптимального таксономического назначения и таксон, присвоенный программным обеспечением (дополнительный рисунок S4). Учитывая, что существует восемь обычных таксономических рангов, используемых в классификации бактерий и архей, максимальное таксономическое расстояние составляет восемь, в то время как у совершенной классификации таксономическое расстояние равно нулю.

Эффективность классификации измерялась с использованием 15 универсальных однокопийных таксономических якорных генов и базы данных EggNOG (v4.5.1) (дополнительная таблица S1), с эталонными последовательностями из бактерий и архей, но за исключением эукариот для упрощения иерархии. В дополнение к RecA, RadA и RpoB, почти повсеместные таксономические якорные гены, используемые GTDB, были идентифицированы как присутствующие по крайней мере в 90% архей и бактерий (Parks et al. , 2018). Из этого набора были выбраны 12, которые также имели записи в базе данных PFam и, следовательно, были легко доступны. Последовательности, которые либо отсутствовали в базе данных PFam, либо не имели очевидной соответствующей ортологичной группы в EggNOG, были опущены.Для каждого таксономического расстояния от нуля до восьми классификации последовательностей, соответствующие их аннотациям EggNOG в пределах порога таксономического расстояния, считались истинно положительными. Последовательности, которые были классифицированы как таксоны за пределами порогового значения или как неправильный ген, засчитывались как ложноположительные. Последовательности EggNOG, которые были ортологичны любому из 12 эталонных пакетов, но не были классифицированы, засчитывались как ложноотрицательные, в то время как все остальные последовательности были истинно отрицательными. Эффективность классификации была определена с использованием MCC, поскольку он может сообщать разумные значения даже для очень разных размеров классов (Boughorbel et al., 2017).

Точность таксономической классификации оценивалась с помощью анализа исключения клады с использованием пакетов функциональных якорных эталонов для диссимиляторных альфа- и бета-субъединиц сульфитредуктазы (DsrAB), альфа-, бета- и гамма-субъединиц метилкоэнзим-М-редуктазы (McrA, McrB и McrG), периплазматической нитратредуктазы. (NapA), NO-образующая нитритредуктаза (NirK и NirS), альфа-цепь нитрит-молибден-железный белок (NifD), субъединица B редуктазы оксида азота (NorB), субъединицы A и B нитрит-оксидоредуктазы (NxrA и NxrB) и комбинированные частицы метанмонооксигеназа и аммиачная монооксигеназа (PmoA / AmoA).Анализ исключения Clade измеряет эффективность классификации в сценариях, где в запросных последовательностях отсутствует близкий родственник в наборе ссылок, что типично при таксономической классификации метагеномов (Peabody et al. , 2015) (дополнительный рис. S3). Для анализа потребовались эталонные последовательности с таксономическими линиями, полностью разделенными до оцениваемого ранга. Последовательности, не относящиеся к оцениваемому рангу (например, Archaea; Euryarchaeota; образцы окружающей среды для Класса), были удалены, поскольку их конкретная таксономическая связь с другими эталонными последовательностями была неизвестна.Для каждого протестированного таксономического ранга репрезентативные последовательности были отобраны для каждого таксона (произвольно максимум пять, чтобы не вносить смещение, зависящее от линии в окончательной оценке), и последовательности, принадлежащие этому таксону, были удалены из справочного пакета. Затем эти репрезентативные последовательности были классифицированы и сопоставлены с их оптимальным таксономическим назначением. Расстояния от их оптимальных таксономических назначений были занесены в таблицу, а контрольные последовательности были возвращены в контрольный пакет перед тестированием следующего таксона.Оценивались только таксоны, которые имели общего предка в ранге, протестированном с одной или несколькими оставшимися референсными последовательностями. Например, оценка способности классифицировать по рангу класса с использованием последовательностей, принадлежащих к порядку Methanosarcinales, потребует, чтобы справочный пакет содержал других членов родительского таксономического класса Methanomicrobia, которые не являются Methanosarcinales, например Methanomicrobiales. Это позволяет программному обеспечению оптимально классифицировать последовательности как Methanomicrobia.

2.3 Классификация последовательностей запросов с помощью TreeSAPP Назначение

TreeSAPP начинается с предсказания открытых рамок считывания (ORF) с использованием Prodigal v2.6.3, если входные данные представляют собой нуклеотидные последовательности, в противном случае этот шаг пропускается (дополнительный рисунок S2) (Hyatt et al. , 2010). Полученные в результате ORF концептуально транслируются в белки, которые затем выравниваются с подобранными эталонными последовательностями с использованием hmmalign в пакете HMMER v3.1 (Eddy, 1998). Затем гомологичные последовательности извлекаются и отображаются на эталонный MSA с помощью hmmalign.Необязательно, выравнивания обрезаются с помощью BMGE для удаления несохраняемых позиций из файла выравнивания и сокращения времени вычислений (Criscuolo and Gribaldo, 2010). BMGE использует матрицу замен BLOSUM30 для белковых последовательностей, как рекомендовано Tan et al. (2015). RAxML-EPA помещает последовательности запросов в справочное дерево, находя оптимальную вероятность филогенеза с вставленной последовательностью (Berger and Stamatakis, 2011). Размещение последовательности запросов фильтруется по эволюционному расстоянию и весовому коэффициенту правдоподобия до прогнозирования таксономии с рекомендованным рангом линейной модели.Полный набор последовательностей ORF, предсказанных Prodigal (как нуклеотидные, так и аминокислотные формы), файл FASTA, содержащий только классифицированные ORF, и классификационная таблица с информацией о таксономии и численности, включены в качестве выходных данных. Файлы JPlace, содержащие координаты размещения дерева ссылок для всех классифицированных запросов, дополнительно предоставляются для каждого пакета ссылок. Наряду с файлами информации о цвете и стиле, созданными для определенной филогении, эти размещения могут быть визуализированы в iTOL (Letunic and Bork, 2019).

3 Результаты

Многие методы программного обеспечения таксономических назначений оцениваются фиктивным сообществом известного, но сильно ограниченного разнообразия. Таким образом, несмотря на то, что эти анализы полезны, присущее им чрезмерное упрощение не позволяет распространить их оценки производительности на естественные и спроектированные микробные сообщества. Это особенно затрудняет программное обеспечение для геноцентрической аннотации, где общее разнообразие последовательностей запросов сокращено по сравнению с инструментами группирования и профилирования всего генома.Предпринимаются усилия по созданию хорошо продуманных фиктивных сообществ для метагеномного анализа, включая таксономическое назначение, хотя их разнообразие все еще ограничено (Sczyrba et al. , 2017). Поэтому мы решили сравнить эффективность таксономической классификации TreeSAPP с GraftM и DIAMOND, используя большую, но все еще хорошо отредактированную базу данных EggNOG (v4.5) (Huerta-Cepas et al. , 2016a), состоящую из 2031 организма для универсальных таксономические якорные гены. Кроме того, мы использовали treeapp Assessment для моделирования справочных пакетов, которые не представляют таксоны от расхождения последовательностей на уровне видов до классов, чтобы определить, как каждый инструмент классифицирует хорошо и плохо представленные последовательности запросов.Наконец, TreeSAPP был использован для профилирования всех белков, происходящих из метагенома, в базе данных IMG / M.

3.1 Производительность

Классификация и производительность TreeSAPP во время выполнения сравнивались с GraftM со стандартной стратегией поиска hmmsearch и методом размещения pplacer, а также с режимом DIAMOND в качестве прокси для стратегии поиска и классификации на основе выравнивания (Boyd et al. , 2018; Buchfink et al. , 2015). Классификация базы данных EggNOG (версия 4.5.0) (Huerta-Cepas et al. , 2016a) с 12 однокопийными таксономическими якорями показали, что общая эффективность классификации TreeSAPP, за небольшим исключением, предпочтительнее, чем у стратегии попарного выравнивания или GraftM (и дополнительной таблицы S2). Это в значительной степени связано с эволюционными порогами фильтрации TreeSAPP на основе расстояния, которые благоприятно удаляют ложные срабатывания без увеличения ложноотрицательных результатов, тем самым повышая точность; GraftM и DIAMOND получили на 3000 ложных срабатываний больше, чем TreeSAPP.Примечательно, что эта производительность была достигнута только при использовании RAxML версии 8.2.12, поскольку мы обнаружили, что расстояния между подвесками были точно рассчитаны, начиная с этой версии. Основываясь на производительности TreeSAPP с использованием обрезки выравнивания, но с присвоением таксономии запросам только по LCA (TreeSAPP-BMGE-Raw), целесообразно скорректировать присвоенный запросу таксономический ранг по его EDR. Однако по сравнению с DIAMOND и GraftM отзыв TreeSAPP был не таким сильным, в основном из-за начального поиска HMM, в котором отсутствовали 1775 последовательностей EggNOG по сравнению с 561 и 789 для GraftM и DIAMOND при максимально допустимом таксономическом ранговом расстоянии, соответственно (дополнительный рис.S5 и Таблица S2). Подавляющее большинство ложноотрицательных результатов было объяснено последовательностями эукариот, и это разумно, учитывая, что контрольные пакеты были созданы с использованием только последовательностей из бактерий и архей. Только 7,1% неклассифицированных последовательностей имели бактериальное или архейное происхождение. Тем не менее, 5420 эукариотических последовательностей были правильно классифицированы, что позволяет предположить, что TreeSAPP может точно идентифицировать очень отдаленные гомологичные последовательности. Ложноотрицательные результаты были неравномерно распределены по протестированным контрольным пакетам: более 60% из трех (минимум = 1 из семейства рибосомных S3Ae, максимум = 653 из семейства рибосомных белков L1p / L10e, медиана = 23).

Классификация TreeSAPP, GraftM и DIAMOND по оценке MCC. TreeSAPP запускался как с (TreeSAPP-BMGE), так и без усечения MSA с использованием BMGE. TreeSAPP-BMGE-Raw представляет эффективность классификации TreeSAPP с BMGE, но без рекомендации ранжирования на основе линейной модели. Расстояние от оптимального ранга — это принятое таксономическое расстояние для того, чтобы классифицированная последовательность считалась истинно положительной. Последовательности, которые не соответствовали расстоянию от оптимального ранга, были включены в расчет MCC как ложноположительные

Анализ исключения Clade был использован для двойного определения точности этих методов с использованием функциональных якорей с менее конгруэнтными филогенетическими и таксономическими отношениями по сравнению с рибосомными белками , и как эти методы работают, когда в базах данных отсутствуют ссылочные последовательности, которые тесно связаны с последовательностями запросов.Последовательности запросов были загружены из FunGene версии 9.6 и сгруппированы с 99% сходством с USEARCH (Эдгар, 2010). EggNOG не использовался в этом случае, поскольку его таксономический диапазон, включающий 2031 организм, многие из которых не содержат никаких функциональных маркеров, был сочтен недостаточным для создания контрольного пакета. Используя treeapp. Оцените , были выполнены итерационные анализы исключения клады для каждого тестируемого таксона, и каждый контрольный пакет был проанализирован независимо. Эффективность классификации в тестируемых эталонных пакетах была разной, но не в значительной степени.McrA, как правило, давал лучшие задания, в то время как PmoA / AmoA и DsrAB стабильно работали плохо. GraftM и TreeSAPP работают намного лучше, чем DIAMOND, при классификации расходящихся последовательностей (отношения на уровне класса, порядка и семейства к ближайшему родственнику в наборе ссылок), но сравнимы, когда последовательности запросов были аналогичны набору ссылок (). Большинство классификаций TreeSAPP были в среднем менее чем на 2 таксономических ранга от оптимального назначения, независимо от расхождения последовательностей, и последовательности были классифицированы с примерно одинаковой точностью по таксономическим рангам.Поскольку ложноотрицательные результаты были недоступны для этого анализа, для сравнения всех эталонных пакетов использовался балл F 1, гармоническое среднее точности и отзыва (дополнительный рисунок S7). Эти значения подчеркивают разницу в способности каждого из методов обрабатывать отдаленно связанные последовательности. Все показали сравнительно хорошие результаты при классификации запросов, тесно связанных со ссылочными последовательностями ( F, 1 балл от 0,71 до 0,92), но значительно различались для запросов, связанных с удалением (между 0.04 и 0,8).

Среднее таксономическое расстояние по всем таксонам, оцененным для 12 функциональных якорей. Цвета соответствуют таксономическому рангу, оцененному анализом исключения кладов, и служат показателем расхождения последовательностей. Штрихами вдоль оси y показано распределение точек на одной плоскости. P_amoA представляет собой эталонный пакет с последовательностями, содержащими как PmoA, так и AmoA.

Анализ исключения Clade был снова использован для подтверждения результатов, наблюдаемых путем классификации таксономических якорных генов в EggNOG.Средние расстояния и баллы F 1 соответствовали функциональным якорным генам, при этом несколько контрольных пакетов работали плохо (дополнительные рисунки S8 и S9). Это не могло быть выполнено для DIAMOND и GraftM, поскольку одна из его зависимостей для создания эталонных пакетов, Taxtastic (https://github.com/fhcrc/taxtastic), часто истекала по таймауту.

Файлы классификации и JPlace могут использоваться для целей, выходящих за рамки таксономического и функционального профилирования; TreeSAPP также может обнаруживать гены, реакции и пути, связанные с геномами организма, SAG или MAG.Чтобы оценить этот аспект конвейера TreeSAPP, мы разработали вариант использования McrA, поскольку этот эталонный пакет показал наилучшие результаты во время тестирования. Ген mcrA вместе с mcrB и mcrG кодирует холофермент, опосредующий конечную стадию биологического производства метана, хотя он также способен связывать и активировать метан при анаэробном окислении метана и в последнее время может использоваться в окисление короткоцепочечных алканов (Laso-Pérez et al., 2016). Филогения McrA, как было показано, достаточно согласована как с геном малой субъединицы рибосомной РНК (SSU или 16S рРНК), так и с филогенезом конкатенированных маркерных генов, с ограниченными зарегистрированными случаями латерального переноса генов и, следовательно, с большей вероятностью будет работать в качестве таксономического якоря. (Эванс и др. , 2019; Springer и др. , 1995). Более того, информация о путях метаболизма метана была предоставлена ​​для каждой известной клады и, как ожидается, будет сохранена, что позволяет делать точные выводы о метаболизме непосредственно из филогенетического размещения (Evans et al., 2019).

3.2 Глобальный обзор McrA

TreeSAPP использовался для поиска и классификации всех последовательностей McrABG из изображения базы данных IMG / M Объединенного института генома за 10 января 2017 года. кислотные последовательности, включенные в этот анализ, и 14 919 последовательностей McrA, 11 825 McrB и 8609 McrG были таксономически классифицированы. Было обнаружено, что в общей сложности 816 метагеномов содержат по крайней мере 1 из 3 субъединиц Mcr. Последовательности короче 84 AA, соответствующие первому квантилю отсортированных по длине последовательностей, были удалены, чтобы смягчить неправильную классификацию, оставив 11 256 McrA.Около 58% (6533) последовательностей McrA были классифицированы как род или вид и только 3,6% были классифицированы как археи (дополнительный рисунок S10). Methanomicrobia и Methanobacteria были наиболее изученными классами — 5505 и 1572 соответственно. Methanoculleus, Methanobrevibacter, Methanobacterium и Methanoregula были наиболее распространенными родами, на долю которых приходится 2891 последовательность. Из всех классифицированных последовательностей McrA 4251 последовательность была разрешена как минимум до Phylum (чтобы уменьшить вероятность ложноположительных результатов) и не дальше, чем Family.Несмотря на то, что 2764 из них были классифицированы по классификации NCBI как «образцы окружающей среды» или «метагеномы», их все же можно считать новыми в отношении культивируемых архей. Эти новые последовательности были взяты из 432 метагеномов, в основном представленных сообществами водно-болотных угодий и гидротермальных источников. Поразительно, но 89% из 806 последовательностей McrA из метагеномов гидротермальных источников считались новыми. Хотя количество уникально новых последовательностей не было определено, обновление ссылочного дерева после кластеризации всех последовательностей с 97% сходством добавило 412 листьев, что на 180% больше.

Кроме того, дерево McrA было аннотировано информацией о путях метаболизма метана для каждой известной клады (Borrel et al. , 2014, 2019; Evans et al. , 2019; Whitman et al. , 2006) ( Дополнительный рис. S11), и это было использовано для предоставления метаболических меток для дополнительных 10 839 последовательностей. Метаболическая метка не была назначена последовательностям, размещенным в узле, у потомков которого есть несколько метаболических меток. CO ² -зависимая гидрогенотрофия была наиболее частым метаболизмом с большим отрывом, а метилотрофия была наименее распространенной.Не было никаких признаков взаимного исключения метаболизма или метаболизма и широких категорий экосистем, но были выявлены некоторые тенденции для конкретных подтипов экосистем. Гидротермальные источники, выходы нефти, термальные источники и асфальтеновое озеро содержат относительно большое количество McrA, связанного с короткоцепочечными алканокисляющими и анаэробными метанотрофными археями. Только термальные источники также являлись местом обитания большого количества метаногенных популяций. McrA, связанный с CH ³ -зависимый гидрогенотрофный метаногенез, были наиболее распространены в пищеварительной системе и других средах, богатых органическими веществами.Наиболее уксусно-пластичный McrA был обнаружен в почве и пресноводных средах, а также в анаэробных метантенках.

Вместе, используя филогенетически полученные таксономические классификации TreeSAPP, эти метагеномные данные показывают, что существует множество новых метаногенных и короткоцепочечных алкан-окисляющих архейных линий, которые еще предстоит описать.

4 Обсуждение

TreeSAPP — это программа для функциональных и таксономических аннотаций, которая использует филогенетическое размещение для точной классификации.Он легко может классифицировать последовательности, полученные из геномов организмов, геномов окружающей среды (SAG, MAG) и метагеномов — даже тех, которые отдаленно связаны с эталонными геномами, присутствующими в современных базах данных. Более того, он использует филогенетическую основу для транзитивного присвоения информации о таксономических и функциональных признаках. В случаях сложной эволюционной истории включение этих характеристик в эталонный пакет путем аннотирования клад гарантирует, что отдаленно родственные гены не аннотируются неправильно, тем самым уменьшая количество ложных открытий.TreeSAPP был разработан для интеграции с iTOL, а также с базами данных биологических последовательностей, поэтому последовательности можно легко связать с соответствующими таксономическими линиями. Мы стремимся расширить поддержку баз данных за пределами EggNOG и Entrez, чтобы пользователям было проще создавать справочные пакеты. Более того, чтобы поддерживать эталонные пакеты как можно более актуальными, последовательности запросов, которые соответствуют пороговым значениям пропорций HMM профиля и считаются достаточно отличающимися от текущих эталонных последовательностей, используются для быстрого восстановления эталонного MSA, профиля HMM и дерева с помощью обновления treeapp update .Мы не планируем регулярно обновлять все справочные пакеты централизованно. Скорее, в их текущем состоянии они предназначены для использования в качестве изменяемых объектов, которые пользователи могут обновлять по мере необходимости в соответствии со своими уникальными усилиями ().

Филогенетический и метаболический анализ последовательностей McrA, полученных из метагенома IMG. ( A ) Все предсказанные последовательности McrA, полученные из метагенома (14 919) из IMG / M (по состоянию на 10 января 2017 г.), были классифицированы с помощью TreeSAPP и визуализированы в iTOL. Показанное здесь дерево содержит 228 эталонных последовательностей McrA, включая большинство недавно описанных линий от «дивергентной McrA» клады, предположительно участвующих в окислении высших алканов.Версия дерева с метками листьев доступна на дополнительном рисунке S12. ( B ) Доля последовательностей, присвоенных каждому таксономическому рангу. ( C ) Предполагаемый метаногенез и метанотрофный метаболизм, поддерживаемый в каждой категории экосистем, как предполагалось путем их размещения на эталонном дереве McrA. Последовательности, которые глубоко картированы и сходятся в нескольких аннотированных метаболизмах, были опущены

4.1 Производительность

Анализ производительности классификации показывает, что TreeSAPP лучше справлялся как с идентификацией, так и с назначением таксономии для запрашиваемых последовательностей белков, чем DIAMOND и GraftM, особенно когда запрашиваемые последовательности были новыми в отношении эталонные последовательности.Значения MCC, полученные с помощью EggNOG, показали, что таксономические классификации TreeSAPP были лучше, чем GraftM и DIAMOND, хотя это было достигнуто только с рекомендациями таксономического ранга из линейных моделей. Тем не менее, важно отметить, что показанная здесь производительность попарного выравнивания DIAMOND не может быть расширена до парного выравнивания в целом, потому что базы данных имеют тенденцию быть более всеобъемлющими, чем эталонные пакеты, используемые в этом исследовании. К сожалению, мы не смогли сравнить результаты нашей классификации с результатами критической оценки проекта интерпретации метагенома, поскольку их сводные данные были основаны на классификациях последовательностей ДНК (Sczyrba et al., 2017). Недавний метаанализ инструментов таксономической классификации, проведенный Ye et al. (2019), хотя и не является напрямую сопоставимым, дает F 1 баллов, аналогичных нашему анализу для DIAMOND в рангах Рода и Видов (в диапазоне от 0,1 до 0,4, Дополнительный Рис. S7), что указывает на то, что и GraftM, и TreeSAPP превзойдут их протестированные Классификаторы «ДНК-белок» (инструменты, которые классифицируют последовательности ДНК с использованием баз данных белков).

В ходе этого анализа мы также обнаружили, что точность классификации варьируется в зависимости от пакета ссылок.Все классификаторы изо всех сил пытались точно определить таксономию с помощью справочного пакета DsrAB [включал восстановительные и окислительные формы DsrA и DsrB и подтвержден последовательностями из Müller et al. (2015)]. DsrAB представляет собой составной контрольный пакет, содержащий гомологичные субъединицы DsrA и DsrB, анаэробную субъединицу С сульфитредуктазы и кладу нитрит и сульфитредуктазы Euryarchaeota. Включение гомологичных, но функционально различных генов в одну филогению может защитить от ошибочной функциональной атрибуции путем выполнения второй классификации с дополнительной информацией об оформлении деревьев, как это реализовано в слое treeapp layer , но может привести к менее точным таксономическим присвоениям (дополнительные методы).Необходимы дополнительные исследования для создания справочных пакетов для сложных семейств генов.

4.2 Приложение

TreeSAPP использовали для классификации всех метагеномных субъединиц McrABG в IMG / M. Он идентифицировал несколько тысяч новых последовательностей (то есть не представленных ни родом, ни видом) по отношению к нашему современному, метаболически аннотированному эталонному дереву McrA. В частности, образцы гидротермальных источников Калифорнийского залива содержали разнообразные метанотрофные и короткоцепочечные алканокисляющие археи, из которых почти 90% не имеют представителя на уровне рода.Мы также оценили относительную численность McrA, ассоциированную с известным метаногенным и алканотрофным метаболизмом, определяя CO ² -зависимую гидрогенотрофию как гораздо более распространенную, чем любую другую на основе ORF. Этот вариант использования демонстрирует возможности TreeSAPP в выявлении новых родословных и разрешении количественных функциональных различий между местоположениями. Этот богатый набор данных созрел для дальнейшего анализа на основе разнообразия и корреляции, чтобы информировать о будущих усилиях по секвенированию и выращиванию.

4.3 Будущее развитие

В процессе разработки и тестирования TreeSAPP было выявлено несколько потенциальных областей для улучшения. TreeSAPP медленнее и требует больше ОЗУ, чем GraftM (дополнительный рисунок S13) по ряду причин. Промежуточные файлы записываются таким образом, что запуски можно перезапускать с контрольных точек за счет большего количества времени, затрачиваемого на выполнение операций ввода-вывода. TreeSAPP использует Prodigal для предсказания ORF и концептуального перевода (Hyatt et al. , 2010), в то время как GraftM использует простой и значительно более быстрый OrfM (Woodcroft et al., 2016). TreeSAPP использует один HMM как для поиска, так и для множественного выравнивания профилей. Это менее чувствительно, чем HMM для поиска в GraftM, где последовательности были таксономически дедуплицированы перед построением (данные не показаны). Принятие этой стратегии может быть полезным, если она не увеличивает количество ложных срабатываний. Наконец, EPA RAxML используется для филогенетического размещения вместо более быстрого pplacer. Хотя ни один из этих инструментов не особенно хорошо масштабируется на одном вычислительном узле (дополнительный рисунок S14), в будущих версиях TreeSAPP будут заметны улучшения в эффективности последовательных и параллельных вычислений за счет использования более быстрых RAxML-NG и EPA-NG (Barbera et al., 2019; Козлов и др. , 2019).

Недавно были опубликованы несколько разработок в области филогенетического размещения, которые могут привести к дальнейшему повышению эффективности и точности (Barbera et al. , 2019; Czech et al. , 2019). Среди них — иерархическое филогенетическое размещение, которое включает размещение последовательностей запросов на таксономически широком и разреженном каркасном дереве с последующим размещением в филогении с высоким разрешением на основе положения краев позвоночника.Этот метод может повысить точность филогенетического размещения при одновременном снижении вычислительных затрат (Czech et al. , 2019). Кроме того, вводятся новые филогенетически обоснованные таксономические иерархии бактерий и архей (Parks et al. , 2018). Использование принципиальной таксономической структуры, основанной на филогенетических отношениях, вероятно, улучшит таксономические классификации всех филогенетических методов.

Моделирование взаимосвязи между таксономическим рангом и EDR для рекомендации ранга дает преимущества таксономической классификации ().Это наиболее полезно при классификации отдаленно связанных последовательностей запросов, которые отображаются либо на краю листа, либо на разреженную кладу, что приводит к неглубокой (вид или род) LCA. Однако создание данных EDR для обучения в настоящее время является медленным итеративным процессом. Более того, надежная модель не создается, если в ссылочных последовательностях недостаточно таксономической избыточности (т. Е. Один Порядок представляет Класс, поэтому удаление этого Порядка удаляет весь Класс, а следующий ближайший предок находится в Типе).Использование расстояний непосредственно от дерева, как было использовано в GTDB-Tk (Chaumeil et al. , 2019) с RED, ускорило бы этот процесс и повысило бы согласованность.

5 Заключение

Мы разработали программное обеспечение для функциональных и таксономических аннотаций, TreeSAPP, с улучшенными характеристиками классификации на основе регрессии эволюционных дистанций и таксономических рангов, чтобы рекомендовать более точные таксономические назначения. TreeSAPP может предоставлять количественную функциональную и таксономическую информацию как для собранных, так и для несобранных последовательностей, классификационных таблиц и файлов, поддерживающих интерактивные визуализации iTOL.Используя TreeSAPP, мы исследовали глобальное распространение McrA и восстановили множество новых последовательностей, связанных с археями, метаболизирующими метан. Благодаря расширенному набору справочных пакетов, находящихся в стадии разработки, TreeSAPP будет поддерживать таксономическое назначение и метаболическую реконструкцию по инициативе сообщества в действительно глобальном масштабе.

Дополнительные материалы

btaa588_supplementary_data

Благодарности

Мы хотели бы поблагодарить Таню Войке, Наталью Иванову и Фредерика Шульца из Объединенного института генома (JGI; Беркли, Калифорния) и Дэниела Удвари за помощь от IMG / IMG / данные с системами Национального центра научных исследований в области энергетики (NERSC).Большое спасибо Симонетте Грибальдо и Гийому Борреля из Института Пастера (Париж) за проверку метаболических аннотаций и рекомендацию BMGE. Мы также благодарим Кишори Конвара за конструктивные беседы и предварительный код, использованный для руководства ранними циклами разработки TreeSAPP.

Финансирование

Эта работа была выполнена под эгидой Объединенного института генома Министерства энергетики США (DOE), Научно-исследовательского учреждения, при поддержке Управления науки Министерства энергетики США по контракту DE-AC02- 05Ch21231 в рамках инициативы по интеграции средств сотрудничества для науки о пользователях (FICUS) между JGI и NERSC; Совет по естественным наукам и инженерным исследованиям Канады; Геном Британской Колумбии; Genome Canada; и Compute Canada через гранты, предоставленные S.J.H. является соучредителем Koonkie Inc., консалтинговой компании в области биоинформатики, которая разрабатывает и предоставляет масштабируемые алгоритмические решения и решения для анализа данных в облаке.

Конфликт интересов : не объявлен.

Список литературы

• Альтшул С.Ф. и другие. (1990) Базовый инструмент поиска локального выравнивания. J. Mol. Биол., 215, 403–410. [PubMed] [Google Scholar]
• Barbera P. et al. (2019) EPA-ng: массивно параллельное эволюционное размещение генетических последовательностей.Syst. Биол., 68, 365–369. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Бергер С.А., Стаматакис А. (2011) Выравнивание коротких чтений по ссылочным трассам и деревьям. Биоинформатика, 27, 2068–2075. [PubMed] [Google Scholar]
• Borrel G. et al. (2014) Сравнительная геномика подчеркивает уникальную биологию Methanomassiliicoccales, седьмого порядка метаногенных архей, связанных с Thermoplasmatales, которые кодируют пирролизин. BMC Genomics, 15, 679–624. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Боррель Г.и другие. (2019) Широкое разнообразие метаболизма метана и короткоцепочечных алканов у некультивируемых архей. Nat. Microbiol., 4, 603–613. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Boughorbel S. et al. (2017) Оптимальный классификатор для несбалансированных данных с использованием показателя «Коэффициент корреляции Мэтьюза». PLoS One, 12, e0177678. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Бойд Дж. А. и другие. (2018) GraftM: инструмент для масштабируемой филогенетической классификации генов в метагеномах.Nucleic Acids Res., 46, e59. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Buchfink B. et al. (2015) Быстрое и чувствительное выравнивание белков с помощью DIAMOND. Nat. Методы, 12, 59–60. [PubMed] [Google Scholar]
• Кэнфилд Д. и другие. (2010) Эволюция и будущее круговорота азота на Земле. Наука, 330, 192–196. [PubMed] [Google Scholar]
• Чаумей П.-А. и другие. (2019) GTDB-Tk: набор инструментов для классификации геномов с помощью базы данных таксономии генома. Биоинформатика, 36, 1–3.[Бесплатная статья PMC] [PubMed] [Google Scholar]
• Чиккарелли Ф.Д. и другие. (2006) К автоматической реконструкции дерева жизни с высоким разрешением. Science, 311, 1283–1287. [PubMed]
• Cock P.J. et al. (2009) Biopython: свободно доступные инструменты Python для вычислительной молекулярной биологии и биоинформатики. Биоинформатика, 25, 1422–1423. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Крискуоло А., Грибальдо С. (2010) BMGE (Block Mapping and Gathering with Entropy): новое программное обеспечение для выбора филогенетических информационных областей из нескольких выравниваний последовательностей.BMC Evol. Biol., 10, 210. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Кросс К. и другие. (2019) Целенаправленное выделение и культивирование некультивируемых бактерий методом обратной геномики. Nat. Biotechnol., 37, 1314–1321. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Чешский L. et al. (2019) Методы автоматического создания справочных деревьев и многоуровневого филогенетического размещения. Биоинформатика, 35, 1151–1158. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Darling A.E. et al. (2014) PhyloSift: филогенетический анализ геномов и метагеномов.PeerJ, 2, e243. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Эдди С. (1998) Профиль скрытых марковских моделей. Биоинформатика, 14, 755–763. [PubMed] [Google Scholar]
• Эдгар Р. (2010) Поиск и кластеризация на порядки быстрее, чем BLAST. Биоинформатика, 26, 2460–2461. [PubMed] [Google Scholar]
• Эванс П. и другие. (2019) Эволюция взглядов на метаболизм метана у архей. Nat. Rev. Microbiol., 17, 219–232. [PubMed] [Google Scholar]
• Фальковски П.G. et al. (2008) Микробные двигатели, управляющие биогеохимическими циклами Земли. Science, 320, 1034–1039. [PubMed] [Google Scholar]
• Фиш Дж. А. и другие. (2013) FunGene: функциональный конвейер и репозиторий генов. Фронт. Microbiol., 4, 1–14. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Хэнсон Н.В. и другие. (2016) LCA *: основанная на энтропии мера для таксономического распределения в собранных метагеномах. Биоинформатика, 32, 3535–3542. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Hua Z-s.и другие. (2019) Понимание экологической роли и эволюции архей горячего источника, содержащих метил-коэнзим М-редуктазу. Nat. Commun., 10, 4574. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Huerta-Cepas J. et al. (2016. а) eggNOG 4.5: иерархическая структура ортологии с улучшенными функциональными аннотациями для эукариотических, прокариотических и вирусных последовательностей. Nucleic Acids Res., 44, D286 – D293. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Huerta-Cepas J. et al. (2016.б) ETE 3: реконструкция, анализ и визуализация филогеномных данных. Мол. Биол. Evol., 33, 1635–1638. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Гурвиц Б.Л. и другие. (2013) Метаболическое перепрограммирование вирусами в солнечном и темном океане. Genome Biol., 14, R123. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Huson D.H. et al. (2007) MEGAN анализ метагеномных данных. Genome Res., 17, 377–386. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Хаятт Д.и другие. (2010) Блудный: узнавание прокариотических генов и идентификация сайта инициации трансляции. BMC Bioinformatics, 11, 119. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Jehl P. et al. (2015) OD-seq: обнаружение выбросов при множественном выравнивании последовательностей. BMC Bioinformatics, 16, 1–11. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Като К., Стэндли Д.М. (2013) Программное обеспечение MAFFT для множественного выравнивания последовательностей, версия 7: улучшения производительности и удобства использования. Мол. Биол.Evol., 30, 772–780. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Kim D. et al. (2016) Центрифуга: быстрая и чувствительная классификация метагеномных последовательностей. Genome Res., 26, 1721–1729. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Конвар К.М. и другие. (2013) MetaPathways: модульный конвейер для создания баз данных путей / геномов на основе информации о последовательностях окружающей среды. BMC Bioinformatics, 14, 202. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Козлов А.M. et al. (2016) Идентификация и исправление таксономически неправильно помеченных последовательностей с учетом филогении. Nucleic Acids Res., 44, 5022–5033. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Козлов А.М. и другие. (2019) RAxML-NG: быстрый, масштабируемый и удобный инструмент для максимально вероятного филогенетического вывода. Биоинформатика, 35, 4453–4455. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Laso-Pérez R. et al. (2016) Термофильные археи активируют бутан через образование алкил-кофермента М.Природа, 539, 396–401. [PubMed] [Google Scholar]
• Ле С.К., Гаскуэль О. (2008) Улучшенная матрица общих аминокислотных замен. Мол. Биол. Evol., 25, 1307–1320. [PubMed] [Google Scholar]
• Летунич И., Борк П. (2016) Интерактивное древо жизни (iTOL) v3: онлайн-инструмент для отображения и аннотации филогенетических и других деревьев. Nucleic Acids Res., 44, W242 – W245. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Летунич И., Борк П. (2019) Interactive Tree Of Life (iTOL) v4: последние обновления и новые разработки.Nucleic Acids Res., 47, W256-W259. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Matsen F.A. et al. (2010) pplacer: линейное время максимального правдоподобия и байесовское филогенетическое размещение последовательностей на фиксированном ссылочном дереве. BMC Bioinformatics, 11, 538. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Мэтьюз Б.В. (1975) Сравнение предсказанной и наблюдаемой вторичной структуры лизоцима фага Т4. Биохим. Биофиз. Acta, 405, 442–451. [PubMed] [Google Scholar]
• Маккей Л.J. et al. (2019) Совместная геномная способность к анаэробному метаболизму метана и диссимиляционной серы обнаружена у корархей. Nat. Microbiol., 4, 614–622. [PubMed] [Google Scholar]
• Merchant S. et al. (2014) Неожиданное межвидовое заражение в проектах секвенирования генома. PeerJ, 2, e675. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Мюллер А.Л. и соавт. (2015) Филогенетическое и экологическое разнообразие диссимиляторных (би) сульфитредуктаз DsrAB-типа.ISME J., 9, 1152–1165. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Наско Д.Дж. и другие. (2018) Рост базы данных RefSeq влияет на точность определения наименьших общих предков на основе k-мер. Genome Biol., 19, 1–10. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Николс Д. и соавт. (2010) Использование ichip для высокопроизводительного культивирования in situ «некультивируемых видов микробов». Прил. Environ. Microbiol., 76, 2445–2450. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Ондов Б.D. et al. (2016) Mash: быстрая оценка расстояния между геномом и метагеномом с использованием MinHash. Genome Biol., 17, 132. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Parks D.H. et al. (2018) Стандартизированная бактериальная таксономия, основанная на филогении генома, существенно меняет древо жизни. Nat. Biotechnol., 36, 996–1004. [PubMed] [Google Scholar]
• Pattengale N.D. et al. (2010) Сколько необходимо реплик начальной загрузки? J. Comput. Биол., 17, 337–354. [PubMed] [Google Scholar]
• Пибоди М.A. et al. (2015) Оценка методов классификации последовательностей метагеномики дробовика с использованием сообществ, смоделированных in silico и in vitro. BMC Bioinformatics, 16, 363. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Цена М. и другие. (2010) FastTree 2 — деревья приблизительно максимального правдоподобия для больших трасс. PLoS One, 5, e9490. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Раппе М.С., Джованнони С.Дж. (2003) Невураженное микробное большинство. Анну. Rev. Microbiol., 57, 369–394.[PubMed] [Google Scholar]
• Rinke C. et al. (2013) Понимание филогении и кодирующего потенциала микробной темной материи. Природа, 499, 431–437. [PubMed] [Google Scholar]
• Sczyrba A. et al. (2017) Критическая оценка интерпретации метагенома — эталон программного обеспечения метагеномики. Nat. Методы, 14, 1063–1071. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Зейтц К.В. и другие. (2019) Асгарские археи способны к анаэробному круговороту углеводородов. Nat. Commun., 10, 1822. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Шайбер А., Эрен А.М. (2019) Составные геномы, собранные метагеномами, снижают качество общедоступных репозиториев геномов. мБио, 10, 1–3. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Solden L. et al. (2016) Яркая сторона микробной темной материи: уроки, извлеченные из опыта некультурного большинства. Curr. Opin. Microbiol., 31, 217–226. [PubMed] [Google Scholar]
• Springer E. et al. (1995) Неполные генные последовательности для субъединицы A метил-коэнзим М-редуктазы (mcrI) как филогенетический инструмент для семейства Methanosarcinaceae.Int. J. Syst. Bacteriol., 45, 554–559. [PubMed] [Google Scholar]
• Стаматакис А. (2006) RAxML-VI-HPC: филогенетический анализ на основе максимального правдоподобия с использованием тысяч таксонов и смешанных моделей. Биоинформатика, 22, 2688–2690. [PubMed] [Google Scholar]
• Старк М. и соавт. (2010) MLTreeMap — точное размещение последовательностей ДНК окружающей среды по таксономическим и функциональным справочным филогении с максимальной вероятностью. BMC Genomics, 11, 461. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Стин А.D. et al. (2019) Большая часть бактерий и архей в большинстве биомов остается некультивируемой. ISME J., 13, 3126–3130. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Tan G. et al. (2015) Современные методы автоматической фильтрации множественных выравниваний последовательностей часто ухудшают филогенетический вывод о единственном гене. Syst. Биол., 64, 778–791. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Wang Y. et al. (2019) Расширение анаэробного метаболизма алканов в области архей.Nat. Microbiol., 4, 595–602. [PubMed] [Google Scholar]
• Уитмен У. и другие. (2006) Метаногенные бактерии В: Дворкин М. и др. (ред.), Prokaryotes. Спрингер, Нью-Йорк, Нью-Йорк, стр. 165–207. [Google Scholar]
• Woodcroft B.J. et al. (2016) OrfM: быстрый предсказатель открытой рамки считывания для метагеномных данных. Биоинформатика, 32, 2702–2703. [Бесплатная статья PMC] [PubMed] [Google Scholar]
• Wu D. et al. (2013) TreeOTU: операционная классификация таксономических единиц на основе филогенетических деревьев.Препринт на https://arxiv.org/abs/1308.6333. [Google Scholar]
• Е. С. Х. и другие. (2019) Инструменты метагеномики для таксономической классификации. Cell, 178, 779–794. [Бесплатная статья PMC] [PubMed] [Google Scholar]

Датчики | Бесплатный полнотекстовый | Распознавание физической активности на основе параллельного подхода для ансамбля машинного обучения и классификаторов глубокого обучения

1. Введение

Машинное обучение может моделировать широкий спектр физических действий человека для HAR во встроенных системах носимых датчиков. Однако серьезные проблемы остаются. Во-первых, как обучение, так и оценка методики обучения требуют больших наборов аннотированных данных. Это может быть как процесс с большим объемом данных, так и с большим объемом вычислений. Таким образом, важно разрабатывать параллельные алгоритмы, которые полностью используют вычислительную мощность целевой машины и сокращают время обучения.Более того, технические вопросы, такие как параллельные алгоритмы обучения ансамбля, которые направлены на оптимизацию как точности, так и вычислительных затрат, еще не полностью решены в предыдущих исследованиях.

Было проведено несколько исследований HAR с использованием носимых датчиков, которые мы подробно рассмотрим в следующем разделе. Результаты текущих исследований твердо подтверждают достоинства и осуществимость носимых датчиков HAR и оправдывают дальнейшие исследования для разработки практичных, параллельных эффективных алгоритмов. Целью данного исследования является изучение метода комбинирования параллельных классификаторов с этой целью.В частности, вклад этого исследования:

• Большой набор данных для разработки системы HAR, записанный на участниках, использующих удобную интеллектуальную текстильную одежду со встроенным акселерометром для переноски на поясе.

• Параллельная архитектура для объединения традиционных алгоритмов классификации шаблонов и алгоритмов глубокого обучения для повышения точности вычислений и классификации, которую мы назвали архитектурой ансамблевого обучения. Эта архитектура включает аспекты обучения и тестирования разработки алгоритмов для упрощения разработки приложений.

• Параллельная реализация этой архитектуры ансамблевого обучения.

2. Сопутствующие работы

В этом документе рассматривается проблема HAR на основе носимых датчиков для распознавания данных об активности, собранных с одного акселерометра, встроенного в носимое устройство, с использованием ансамблевой архитектуры, сочетающей подходы к проектированию и изучению функций с параллельной реализацией. метода перекрестной проверки с исключением одного субъекта.В этом разделе мы подчеркиваем особенности этой работы с точки зрения целей исследования и вклада в сравнении с аналогичной работой носимых датчиков HAR.

Большинство исследований HAR на основе носимых датчиков до сих пор были сосредоточены на использовании акселерометров. Они особенно эффективны при мониторинге действий, связанных с повторяющимися движениями тела, таких как ходьба, бег, сидение, стояние и подъем по лестнице.

В общем, система HAR состоит из следующих этапов: (1) получение временных рядов данных датчиков, (2) предварительная обработка необработанных данных, (3) сегментация временных рядов, (4) разработка или обучение функций и выбор функций, и ( 5) классификация.

Во-первых, носимые датчики собирают данные временных рядов от пользователей. Затем собранные необработанные данные обрабатываются и представляются в виде помеченных многомерных временных рядов.

5. Обсуждение

Основной целью данной исследовательской работы является разработка системы измерения приверженности, которая была бы полностью объективной, точной и эффективной с точки зрения использования вычислительных ресурсов.Это требует разработки системы распознавания физической активности человека, на чем мы и сосредоточимся в этой статье. Ниже мы суммируем наш вклад и ограничения предлагаемого метода. Затем мы представляем некоторые возможные перспективы и идеи.

Вторая часть — это разработка системы распознавания этих физических действий человека с использованием данных акселерометра, собранных с установленного на поясе акселерометра в жилете.Отметим, что модель может быть расширена некоторыми другими видами деятельности. Позже предварительно обученная система HAR сможет классифицировать действия пациентов, проходящих программу кардиологической реабилитации. Разработанная система HAR основана на архитектуре ансамблевого обучения, которая сочетает в себе различные классификаторы, основанные на представлении данных (проектирование признаков и изучение признаков). Выходные данные этих классификаторов объединяются для повышения эффективности классификации (минимизации ложных срабатываний и ложных отрицаний).Стратегия межпредметной проверки (перекрестная проверка «исключить-один-субъект-исключить») используется для реалистичной оценки обобщения производительности каждого классификатора независимо, а также архитектуры ансамбля. Однако ансамбли классификаторов в сочетании с техникой валидации с исключением одного субъекта явно более дороги для больших наборов данных с вычислительной точки зрения, поскольку они требуют обучения нескольких моделей. Следовательно, мы предлагаем параллельную реализацию для нашей архитектуры, чтобы ускорить процедуру перекрестной проверки за счет одновременного выполнения нескольких тренингов по свертыванию.Мы также улучшаем вычисления относительно каждой складки с помощью ускорителя графического процессора. Еще одним преимуществом нашей реализации является тот факт, что сегментированные многомерные временные ряды хранятся в трехмерном тензоре четвертого порядка. Наконец, мы демонстрируем, что формы передвижения, такие как ходьба, бег и подъем по лестнице, а также позы, такие как сидение и лежание, а также некоторые опасные ситуации, такие как падение, можно распознать с точностью до 99%, используя носимый на поясе ускоритель.

Тем не менее, это исследование имеет некоторые ограничения. Например, в этой работе мы сосредоточены на классификации действий, собранных в лабораторных условиях. Таким образом, в выборку популяции входят только молодые и здоровые испытуемые. Мы должны обучить нашу систему на неоднородной выборке населения (трудоспособные, пожилые люди, пациенты с сердечно-сосудистыми заболеваниями), которым HAR может принести пользу. Фактически, для более общего исследовательского проекта важно обучить и протестировать системы распознавания активности на данных, собранных в естественных условиях, с пациентами, проходящими программу реабилитации.Мы отмечаем, что мы планировали собрать данные от патологической популяции после программы кардиологической реабилитации в сотрудничестве с Центром профилактической кардиологии (CCP) в Госпитальном центре Университета Монреаля (CHUM) для тщательной проверки эффективности предлагаемого HAR система. К сожалению, процесс приема на работу был прерван обстоятельствами пандемии.

Кроме того, наземные данные были полуавтоматически аннотированы. Процедура аннотации может быть точно настроена, и автоматическая аннотация в реальном времени может быть исследована, чтобы увеличить объем собираемых данных.Более того, мы не учитываем переходные действия ни в процессах сегментации, ни в процессах классификации. Можно исследовать подходы к сегментации с учетом переходного периода и на основе действий.

ep 42 22-29 / 3/4713 End of Kreegs, Ламатар Байден и Мириана воссоединились HMM # 13

Следопыты нападают на Кригхолд в сумерках, в тяжелой битве убивают Дореллу, Трех Сестер-ведьм, 7 рабов-огров и одного последнего Крига, прогоняя их рабов-огров.Ледяной нежить Ламатар Байден побежден. Немного позже его тело возвращается Мириане, Нимфе-нежити. Духи двух влюбленных объединяются и возносятся в форме света, и болота возвращаются в свое естественное состояние. Мысли обращаются к Каэр Мага и лежащему там осколку Сигедрона …

Счет Сефирии

Мы решаем совершить набег на Кригхолд как можно скорее после боя с патрулем, чтобы оставшиеся огры не знали, что они были убиты.Используя способность Neril’s Pass Without Trace, мы ползем вверх по склону к входу в пещеру, где видим пару огров, стоящих на страже. Оставив Серых Девочек позади, мы кружим по осыпному склону, чтобы добраться до другой стороны входа и устроить засаду на стражников. По пути Квилакс теряет равновесие, но когда мы связаны веревками, Коготь может остановить ее падение.
Огры не подозревают о нашем приближении. Мне удается вывести из строя одного неконтролируемым смехом Таши, в то время как другого быстро побеждает остальная часть отряда, которая, в свою очередь, отправляет того, кого я зачаровал.Пока мы ждем, пока Серые Девы догонят нас, Нерил использует Темное зрение, готовясь войти в пещеры.
Серым девицам приказывают стоять на страже у входа, а мы входим в пещеры как можно более незаметно. На перекрестке в центре пещеры стоят на страже еще трое огров, планируя быстро убить их, используя ту же тактику, которая применялась к охранникам снаружи. Во время боя мы слышим звук набираемого подкрепления откуда-то из глубины пещеры.Один из огров пытается бежать, но Куиллакс преграждает ему путь Каменной стеной. Мы думаем, что комната, в которую он пытался попасть, была базой для ведьм и огров-ведьмы Дореллы, поэтому надеемся, что Стена на время остановит их участие в битве.
Огр криг прибывает со стороны Литейной и вступает в бой с Когтем и Кланком. С другой стороны нежить Ламатар стреляет в Сефирию залпом ледяных стрел, прежде чем быстро нырнуть обратно в укрытие. В то время как Кланк и Коготь продолжают изматывать Крига при поддержке Нерила и Квиллакса, Джаррик спешит вслед за Ламатаром, испытывающим особую неприязнь к нежити.
Используя магическую Ускорение, Джаррик догоняет Ламатар и использует Туманный Шаг, чтобы телепортироваться за ним, чтобы заблокировать его дальнейший побег. Призвав силу Иомедей, он поражает нежить, которая бежит обратно в главную пещеру, серьезно раненая, пытаясь достичь достаточного расстояния, чтобы использовать свой лук, но Джаррик преследует его. Заметив Ламатара, я использую Туманный Шаг, чтобы атаковать его своей рапирой, поскольку ранее я заметил, что он, похоже, был устойчив к магии огня. Нерил отстает всего на несколько мгновений, и под нашим объединенным натиском Ламатар падает.
В то же время Ведьмы (которые шпионили за нами) атакуют Коготь заклинанием Призрачный убийца, но он может отразить их атаку. Подкрепление огров из глубоких пещер наконец-то собралось за раненым кригом-людоедом, поэтому я пользуюсь возможностью, чтобы поразить их огненным шаром, когда они собрались вместе. Я кричу, предупреждая, что впереди будет худшее, и они в беспорядке отступают. Разгневанный криг атакует одного своим огрехук, пытаясь воспрепятствовать отступлению, но, поскольку тот был так сильно ранен огненным шаром, он вместо этого убивает его.Остальные огры бегут в укрытие.
Ведьмы затем пытаются атаковать меня Призрачным убийцей, но я сопротивляюсь этому с помощью Кольца Обращения Заклинаний. Квилакс бросает Каменную Стену, и мы ведем битву с Ведьмами и Дореллой, которые оказались в ловушке в пещере. Квилакс сбивает Дореллу с толку, в то время как Нерил телепортируется в пещеру и ему удается опрокинуть котел, который ведьмы использовали, чтобы сосредоточить свою магию. Ведьмы наносят ответный удар, используя Конус холода, который оказывается намного более эффективным, чем Призрачный убийца.
В момент ясности Дорелла молниеносно использует Квиллакса, Джаррика и Когтя, в то время как Нерил может оглушить двух Ведьм, несмотря на серьезные ранения после заклинаний «Конус холода». Остающийся рукопашный бой беспорядок с Ведьмами, которые ловят Дореллу своими заклинаниями «Конус холода», в то время как она возвращает услугу, и одна из Ведьм также попадает под «дружественный огонь». Ведьмы гораздо менее выносливы, чем огры, и двое оглушенных вскоре побеждены.
Когда я добираюсь до пещеры, я оживляю обломки на полу и посылаю смерч из осколков костей, чтобы атаковать Дореллу и оставшуюся Ведьму.Дорелла защищает первую атаку, но ведьма убита. Через несколько секунд осколки кости врезаются в Дореллу, и она падает. В пещере мы находим статуэтку Ламашту, которую разбивает Коготь. Магическая реакция, вызванная его разрушением, ранит его, но он выживает.
Мы возвращаем труп Ламатара Мириане в Мерцающие поля и снимаем проклятие с этого места, поскольку духи обоих наконец могут перейти в следующий мир. В благодарность Мириана благословляет Джаррика.
Когда угроза кригов исчезла из региона, а Шиммерглены вернулись к свету, мы планируем отправиться в Каер-Мага и следующий Осколок.

ОММ: скрытая марковская модель, точно предсказывающая занятость фактора транскрипции самоперекрывающимся мотивом связывания | BMC Bioinformatics

Тысяча транскриптомов растений и филогеномика зеленых растений

Лиза Покорный и Марк В.Чейз

Кафедра биологии растений, Университет Лаваля, Квебек, Квебек, Канада

Хуан Карлос Вильярреал

Марк Т.Дж. Джонсон

Институт сельского хозяйства UWA, Университет Западной Австралии, Перт, Западная Австралия, Австралия

Мэтью Н. Нельсон

Научный заповедник Коффлера, Университет Торонто, Кинг-Сити, Онтарио, Канада

Джон Р. Стинчкомб

Рамки исследования и написания были выполнены Дж.H.L.-M., M.S.B., E.J.C., M.K.D., M.A.G., S.W.G., I.G., Z.L., М. Мелконян, S.M., M.P., M.Q., S.A.R., D.E.S., P.S.S., D.W.S., K.K.U., N.J.W. и G.K.-S.W. Были собраны образцы и подготовлена ​​РНК с помощью LD, PPE, IEJ-T., SJ, TL, BM, NWM, LP, CQ, PT, JCV, MMA, MSB, MDB, RSB, DJB, RMB, EB, SFB, DOB. , JNB, KPB, VB-S., ALC, SBC, Z.Ç., YC, К. Чейтер, JMC, TC, NDC, Х. Клейтон, С. Ковшофф, BJC-S., Х. Кросс, CWd, JPD, RD, R.CD, VSDS, SE, EF, NF, KJF, DAF, PMF, SKF, BF, NG, GG, MAG, GTG, FQYG, S. Greiner, AH, JM Heaney, KEH, KH, JM Hibberd, RGJH, PMH, MTJJ, RJ, BJ, MVK, EK, EAK, MAK, MVK, KK, TMK, VL, AL, ARL, R. Lentz, F.-WL, AJL, ML, PSM, EM, MKM, M. McKain, TM , JRM, REM, MNN, YP, PR, DR, CWR, MR, RFS, AKS, MS, EES, E.-MS, HS, SS, EBS, AJS, SWS, EMS, CS, A.GS, AS, CNS, JRS, PS, JAT, HT, DT, MV, C.-NW, SGW, MW, S. Weststrand, JHW, DFW, NJW, S. Wu, ASW, YY, DZ, CZ, JZ , MWC, MKD, SWG, JHL-M., М. Мелконян, JCP, CJR, DES, PSS, DWS и J.Y. (Совместно под руководством MWC, MKD, SWG, JHL-M., М. Мелконяна, JCP, CJR, DES, PSS, DWS и JY; основной вклад внесли LD, PPE, IEJ-T., SJ, TL, BM, NWM , LP, CQ, PT и JCV). Секвенирование РНК и сборку транскриптома проводили E.JC, К. Чен, LC, С. Ченг, JL, Р. Ли, XL, HL, YO, XS, XT, JT, ZT, FW, JW, XW, GK-SW, XX, ZY, FY, XZ, Ф.З., Ю. Чжу и Ю. Чжан. (под руководством Ю. Чжана; значительный вклад внесла компания E.J.C.). Образцы были проверены, и загрязнители были отфильтрованы J.Y., S.A., M.S.B., T.J.B., E.J.C., S.W.G., J.H.L.-M., T.L., S.M., N.-p.N., X.S., K.K.U. и С. Ву. (под руководством С. Ву; основной вклад Дж. Ю.). Семейство генов и филогенетический анализ были выполнены S.M., N.-p.N., M.A.G., S.A., J.P.D., N.M., D.R.N., E.S., D.E.S., P.S.S., D.W.S., E.K.W., R.L.W., N.J.W., C.W.d., S.W.G., J.H.L.-M. и Т. (под совместным руководством S.M., C.W.d., S.W.G., J.H.L.-M. и T.W .; основной вклад: S.M.). Анализ дупликации генома был проведен Z.L., H.A., N.A., A.E.B., S. Galuska, S.A.J., T.I.K., H.K., P.L.-I., H.E.M., X.Q., C.R.R., E.B.S., B.L.S., G.P.T., S.R.W., R.Y., S.Z. и M.S.B. (под руководством M.S.B., значительный вклад — Z.L.). Анализ расширения семейства генов был проведен М.P., K.K.U., L.G., М. Мелконян, D.R.N., G.T., G.K.-S.W., I.G., S.A.R. и M.Q. (под совместным руководством I.G., S.A.R. и M.Q., главный вклад — M.P. и K.K.U.).

Переписка на Джеймс Х. Либенс-Мак или Гейн Ка-Шу Вонг.

Sunday Times 4713 Дин Майер

Затем последовала большая схватка, которая длилась несколько сессий. Я все еще сомневаюсь, понял ли я 10a, и я никоим образом не уверен, что все остальное у меня полностью сделано и вычищено с точки зрения синтаксического анализа.

Как всегда с Дином, есть чем восхищаться — 15а была абсолютно превосходной подсказкой, как я подумал, а 14а была шедевром неверного направления. Итак, спасибо нашему сеттеру за жаркое, но очень приятное испытание.

В настоящее время я нахожусь в Нью-Йорке, так что из-за разницы во времени и обязательств здесь я могу немного запоздать с ответом на комментарии, поэтому извиняюсь за это.

Определения подчеркнуты: DD = двойное определение: анаграммы, обозначенные * (-): пропущенные буквы, обозначенные {-}

ЭМБОСС: ohmmfetch

Вики

Пожалуйста, помогите исправлением и расширением страниц Wiki.

Функция

Описание

Алгоритм

использование

%  ohmmfetch../ohmmindex-keep/myhmms 7LES_DROME / 1799-1891 
Извлечь HMM из базы данных
Выходной файл скрытой марковской модели HMMER [outfile.ohmmfetch]: 

 

Перейти к входным файлам для этого примера
Перейти к выходным файлам для этого примера

Аргументы командной строки

Извлечь HMM из базы данных
Версия: EMBOSS: 6.6.0.0

   Стандартные (обязательные) квалификаторы:
  [-database] строка Имя базы данных (любая строка)
  [-name] строка Имя записи (Любая строка)
  [-outfile] аутфайл [*.ohmmfetch] HMMER скрытая марковская модель
                                  выходной файл

   Дополнительные (необязательные) квалификаторы: (нет)
   Расширенные (без подсказки) квалификаторы: (нет)
   Связанные квалификаторы:

   Связанные квалификаторы "-outfile"
   -odirectory3 строка Выходной каталог

   Общие квалификации:
   -auto boolean Отключить запросы
   -stdout boolean Записать первый файл в стандартный вывод
   -filter boolean Прочитать первый файл со стандартного ввода, записать
                                  первый файл на стандартный вывод
   -options boolean Запрашивать стандартные и дополнительные значения
   -debug boolean Записывать отладочную информацию в программу.dbg
   -verbose boolean Сообщить о некоторых / полных параметрах командной строки
   -help boolean Сообщить о параметрах командной строки и выйти. Более
                                  информация о сопутствующих и общих
                                  квалификаторы можно найти с помощью -help -verbose
   -warning boolean Сообщить о предупреждениях
   -error boolean Сообщить об ошибках
   -fatal boolean Сообщить о фатальных ошибках
   -die boolean Сообщать об умирающих программных сообщениях
   -version boolean Сообщить номер версии и выйти

 

Формат входного файла

Входные файлы для примера использования

Файл: ../ohmmindex-keep/myhmms

HMMER2.0
ИМЯ 7LES_DROME / 1799-1891
АКК
DESC
ДЛИНА 85
ALPH Amino
РФ да
CS да
КАРТА да
COM ohmmbuild ../../data/hmm/fn3.slx -sf selex fn3.hmm
COM ohmmcalibrate myhmms -seed 1079460101
NSEQ 109
ДАТА Пн 15 июля 12:00:00 2013
ЦКСУМ 8440
XT -8455-4 0 * -8455-4 0 *
НУЛТ -4-8455
NULE 595-1558 85338-294 453-1158 197 249 902-1085-142-21-313 45 531 201 384-1998-644
EVD -7.722639 0,628102
ГММ А В Г Д Е Ж З И К Л М Н П Р С Т Ф Х Ц Ч Ш Щ Ъ Ы Ь Э Ю Я
         м-> м м-> я м-> д я-> м я-> я д-> м д-> д б-> м м-> е
          -13 * -6769
     1-1712-4227-5498-865-4208-2901-1274-566-2467 395-3420-4836 3619-1858-4835 -1203-1345-131-4660-1520 1
     П -150-501 232 46-382399104-628 211-461-722 274 395 44 95 358118-368-296-251
     П -151-3421-12973-19-6286-701-1378-1013-7392
     2-626-5402 1665-881-5720 541-3570-5469-3152-906-4492-539 1858-1555-2021 1928-595-1313-5587-1487 3
     S -149-500 233 43-381 399106-626210-466-720 275394 45 96359117-369-294-249
     S -9-11931-12973-894-1115-701-1378-7406-7384
     3 1982-5408-2052103-5729-1682-3568-5480 246-3106-4497-1099 2207785-341-15-969-591-5592-1728 4
     П-149-500 233 43-381 399106-626210-466-720 275394 45 96359117-369-294-249
     П -9-11931-12973-894-1115-701-1378-7406-7375
     4-1926-4682-2749-6731-4830-6496-5599-144-6364-1674-3977-6224 3833-6035-1363-5637-2263 1172-5463-5108 5
     П -148-501 232 42-382 397104-620 209-460-713 274 394 44 98358116-371-296-251
     П -133-3608-12999-21-6130-701-1378-7406-7366
     5-1312-699-1390 365-156 656-278-5500 196-1273-1315-1810-383 1165 1059 988 1349-1727-330-1786 7
     R -149-500 233 43-381 399106-626210-466-720 275394 45 96359117-369-294-249
     R -23-11957-6753-894-1115-701-1378-7406-7358
     6-952-5420 1492-589-2060 995-241-588-1239-1246-4509 2702-765 546117-1666-1058-5042-5603-1781 8
     N -149-500 233 43-381 399106-626210-466-720 275394 45 96359117-369-294-249
     N -9-11943-12986-894-115-373-2136-7406-7349
     7-1910-4186-1403-683 554-5930-4807 398-5685 2189 658-5576 664-5305-5486-5017-4309 1814-4661-4323 9
     Ф-149-500 233 43-381399106-626210-466-720 275394 45 96359117-369-294-249
     Ф -31-11957-6051-894-1115-701-1378-7406-7340
     8-1843-858-1320-329-1890-1639 2015-1004 837-3190-4500-528-5007 1351 1283 933 1453118-5594-4912 10
     S -149-500 233 43-381 399106-626210-466-720 275394 45 96359117-369-294-249
     S -9-11935-12977-894-1115-288-2468-7406-7331
     9 13
-6595-5959 1799-625-4670 917-2544-64-175-5444-2246-521-2424-1906-2445 2071-270-4193 11
     В -149-500 233 43-381 399106-626210-466-720 275394 45 96359117-369-294-249
     В -10-11957-12999-894-1115-701-1378-7406-7322
    10-1212-976-129 110-5720-2845-164 383 351-777 230-1215-2266-366 198 1223 1864-91-385-1640 12
     R -149-500 233 43-381 399106-626210-466-720 275394 45 96359117-369-294-249


  [Часть этого файла удалена для краткости]

     В -149-500 233 43-381 399106-626210-466-720 275394 45 96359117-369-294-249
     В -17 -11290-12332-894-1115-701-1378-7171-6443
    57-2038-3436-5943-5308-1145-5154-4025 2255423 1498 1203-4797-1707-478-1267-2117-3548 1450-3893-931 75
     L -149-500 233 43-381 399106-626210-466-720 275394 45 96359117-369-294-249
     L -18 -11291-12333-894-1115-701-1378-7171-6426
    58 622-4802 1764 1486-5123-4302-2961-1060 334-4818-3891-420-4396 1293 1148 487-3268-1087-4985-429 76
     D -149-500 233 43-381 399106-626210-466-720 275394 45 96359117-369-294-249
     Д -102-11291-4156-894-1115-701-1378-7171-6409
    59 1265-231-1498 1351-5045-262-355-4796922-1073-3813778-4318 877-34 53 386-2030 289-4225 77
     К-149-500 233 43-381 399106-626210-466-720 275394 45 96359117-369-294-249
     Q -18-11207-12249-894-115-160-3250-7171-6392
    60-684813-5723-473 532-2124-3981-2958-121 2114 2840-1421-5174-4409-926-4196-1685-376-3915 497 78
     К-149-500 233 43-381 399106-626210-466-720 275394 45 96359117-369-294-249
     К -18 -11291-12333-894-1115-701-1378-7171-6375
    61-1812-4803 1626-749-515-1133-415-4875-1294-4819-3892 3181-793 1470-1377-246-3268-4425-4986-193 79
     E -149-500 233 43-381 399106-626210-466-720 275394 45 96359117-369-294-249
     E -18 -11291-12333-894-1115-701-1378-7171-6358
    62-1812-4808-1465 33-1509 2998 1583-4879 122-4823-3897 972-4400-1078-3055-1613-682-4429-4991-1114 80
     Н-149-500 232 43-378 398105-627 212-466-721 275 393 45 98359117-367-295-250
     H -98-4229-12334-49-4901-701-1378-7171-6340
    63-676-4701-742-1422825-589-545 255 1702-2571812-2986-4424 796418-221 1302-1179-4912 1028 82
     R -149-500 233 43-381 399106-626210-466-720 275394 45 96359117-369-294-249
     R -19 -11292-12334-894-1115-701-1378-7171-6322
    64 -3341-4695 350 1378-1551-1973-2998 477 1265 78 273-1163 21 504 -1507 -1108 282 114-19 473 83
     L -149-500 233 43-381 399106-626210-466-720 275394 45 96359117-369-294-249
     L -19 -11292-12334-894-1115-701-1378-7171-6304
    65-3605-3444-949-2090 2356-1177-4010 1410-1703 1341-404-1673-747-4487-4679-2139-1048 1197-3900 411 84
     D -149-500 233 43-381 399106-626210-466-720 275394 45 96359117-369-294-249
     Д -19 -11292-12334-894-1115-701-1378-7171-6285
    66-655-539 1179279-1324 1202-2962-1895 147-682 1298 1427-2056 608756-1119-1893-4419-4982 140 85
     Г-149-500 233 43-381 399106-626210-466-720 275394 45 96359117-369-294-249
     Г -19 -11292-12335-894-1115-701-1378-7171-6267
    67-1814-4814 166-2636-5135 2921-568-4885-1333-2415-3903 1495-4406-312-619602-1672-4436-4997-4314 86
     R -149-500 233 43-381399106-626210-466-720 275394 45 96359117-369-294-249
     R -20 -11293-12335-894-1115-701-1378-7171-6248
    68-3329 1217-624-797-1594-4303 1580-4872 2069-2414-3890 617-4396 283 2449-560-267-2067-4984-1334 87
     В -149-500 233 43-381 399106-626210-466-720 275394 45 96359117-369-294-249
     В -20 -11293-12335-894-1115-701-1378-7171-6229
    69 108 566-1460 747 -1608-4306-2965-30 1407-2607-3878 346 1033-336 863-1038 745 617-4975-4296 88
     I -149-500 233 43-381 399106-626210-466-720 275394 45 96359117-369-294-249
     I -20 -11293-12335-894-1115-701-1378-7171-6209
    70-1318-3465-283-172-3423-2053-3974 1957-4721 1761 1425-4678-1762-4391-1578-1974-1561 1341-3918-3570 89
     D -149-500 233 43-381 399106-626210-466-720 275394 45 96359117-369-294-249
     Д -20 -11293-12336-894-1115-701-1378-7171-6190
    71-1165-4790-240-275-5105-4306 1035-2009 1665-395 707-1334-218-188 1891-1077-383 404110348 90
     П-149-500 233 43 -381 398106-626210-464-720 275394 45 96359117-369-294-249
     П -43-6001-12336-150-3342-701-1378-7171-6170
    72-1929 1218-1535-1647-3990-4677-3410 1725207-1481-3117-3608-810-1118-743-1942 428 2687-4324-3869 92
     К * * * * * * * * * * * * * * * * * * * *
     К * * * * * * * -7171 0
//
 

Формат выходного файла

Выходные файлы для примера использования

Файл: outfile.ohmmfetch

HMMER2.0
ИМЯ 7LES_DROME / 1799-1891
АКК
DESC
ДЛИНА 85
ALPH Amino
РФ да
CS да
КАРТА да
COM ohmmbuild ../../data/hmm/fn3.slx -sf selex fn3.hmm
COM ohmmcalibrate myhmms -seed 1079460101
NSEQ 109
ДАТА Пн 15 июля 12:00:00 2013
ЦКСУМ 8440
XT -8455-4 0 * -8455-4 0 *
НУЛТ -4-8455
NULE 595-1558 85338-294 453-1158 197 249 902-1085-142-21-313 45 531 201 384-1998-644
EVD -7.722639 0,628102
ГММ А В Г Д Е Ж З И К Л М Н П Р С Т Ф Х Ц Ч Ш Щ Ъ Ы Ь Э Ю Я
         м-> м м-> я м-> д я-> м я-> я д-> м д-> д б-> м м-> е
          -13 * -6769
     1-1712-4227-5498-865-4208-2901-1274-566-2467 395-3420-4836 3619-1858-4835 -1203-1345-131-4660-1520 1
     П -150-501 232 46-382399104-628 211-461-722 274 395 44 95 358118-368-296-251
     П -151-3421-12973-19-6286-701-1378-1013-7392
     2-626-5402 1665-881-5720 541-3570-5469-3152-906-4492-539 1858-1555-2021 1928-595-1313-5587-1487 3
     S -149-500 233 43-381 399106-626210-466-720 275394 45 96359117-369-294-249
     S -9-11931-12973-894-1115-701-1378-7406-7384
     3 1982-5408-2052103-5729-1682-3568-5480 246-3106-4497-1099 2207785-341-15-969-591-5592-1728 4
     П-149-500 233 43-381 399106-626210-466-720 275394 45 96359117-369-294-249
     П -9-11931-12973-894-1115-701-1378-7406-7375
     4-1926-4682-2749-6731-4830-6496-5599-144-6364-1674-3977-6224 3833-6035-1363-5637-2263 1172-5463-5108 5
     П -148-501 232 42-382 397104-620 209-460-713 274 394 44 98358116-371-296-251
     П -133-3608-12999-21-6130-701-1378-7406-7366
     5-1312-699-1390 365-156 656-278-5500 196-1273-1315-1810-383 1165 1059 988 1349-1727-330-1786 7
     R -149-500 233 43-381399106-626210-466-720 275394 45 96359117-369-294-249
     R -23-11957-6753-894-1115-701-1378-7406-7358
     6-952-5420 1492-589-2060 995-241-588-1239-1246-4509 2702-765 546117-1666-1058-5042-5603-1781 8
     N -149-500 233 43-381 399106-626210-466-720 275394 45 96359117-369-294-249
     N -9-11943-12986-894-115-373-2136-7406-7349
     7-1910-4186-1403-683 554-5930-4807 398-5685 2189 658-5576 664-5305-5486-5017-4309 1814-4661-4323 9
     Ф-149-500 233 43-381399106-626210-466-720 275394 45 96359117-369-294-249
     Ф -31-11957-6051-894-1115-701-1378-7406-7340
     8-1843-858-1320-329-1890-1639 2015-1004 837-3190-4500-528-5007 1351 1283 933 1453118-5594-4912 10
     S -149-500 233 43-381 399106-626210-466-720 275394 45 96359117-369-294-249
     S -9-11935-12977-894-1115-288-2468-7406-7331
     9 13
-6595-5959 1799-625-4670 917-2544-64-175-5444-2246-521-2424-1906-2445 2071-270-4193 11
     В -149-500 233 43-381 399106-626210-466-720 275394 45 96359117-369-294-249
     В -10-11957-12999-894-1115-701-1378-7406-7322
    10-1212-976-129 110-5720-2845-164 383 351-777 230-1215-2266-366 198 1223 1864-91-385-1640 12
     R -149-500 233 43-381399106-626210-466-720 275394 45 96359117-369-294-249


  [Часть этого файла удалена для краткости]

     Г-149-500 233 43-381 399106-626210-466-720 275394 45 96359117-369-294-249
     Г -15-11962-13004-894-1115-701-1378-7406-6644
    70-1827-5418-2102 1225-1065-2710 630-696 193-993-1227 1015-5031784-68 445 1395673-5606-199 99
     S -149-500 233 43-381 399106-626210-466-720 275394 45 96359117-369-294-249
     S -15-11962-13005-894-1115-701-1378-7406-6629
    71-1785-589-6706-6075 2739-2734-4797 1908-5675 95263-5564-5962-5299-5478-5006-4295 2092-4657 643100
     L -149-500 233 43-381 399106-626210-466-720 275394 45 96359117-369-294-249
     L -15-11963-13005-894-1115-701-1378-7406-6615
    72 -1787 144-783-139-5753-2709-260-1568 913-5448-373 39-5027 1175 2142 801910-1336 1128 173 101
     Вт -149-500 233 43-381 399106-626210-466-720 275394 45 96359117-369-294-249
     Вт -15-11963-13005-894-1115-701-1378-7406-6600
    73-1872-5834-9025-8676-1056-8881-8673 1755-8630 359-1237-8541-8490-8319-8674-8265-6337 3280-7727-7464 102
     В -149-500 233 43-381 399106-626210-466-720 275394 45 96359117-369-294-249
     В -15-11963-13005-894-1115-701-1378-7406-6585
    74 327-924-2319-1494-173-4998 230 316 472-1019-4344-1099-5088 1874 1193-1265 439611-5469 1668103
     К-149-500 233 43-381398105-626210-462-721 275 394 45 96 359117-369-295-250
     К-57-5757-6631-86-4119-701-1378-7406-6570
    75 3012-4666-7117-2715-5019-382-5509-2260-6298-1487-4254-5905-6197-5917-6115 536 1246-967-5505-5179 105
     А -149-500 233 43-381 399106-626210-466-720 275394 45 96359117-369-294-249
     А -16-11949-12991-894-1115-357-2190-7406-6555
    76-902-714-6363-469-141-5764 2
-447 281-993-5334-5816 439 1001-1825-1361 2268-4558 1019106
     H -149-500 233 43-381 399106-626210-466-720 275394 45 96359117-369-294-249
     H -16-11963-13006-894-1115-701-1378-7406-6539
    77 -2376-795 187-2095-5752-2675-955-1144 135-3116-4521 2792-767-1566-777 1498 1246-2809-5615 251 107
     А -149-500 233 43-381 399106-626210-466-720 275394 45 96359117-369-294-249
     А -29-11964-6762-894-1115-701-1378-7406-6524
    78 337-737 928 157 -2106 1805-240-2485-205-5436-4509 308-2438 892 51-133 409-284-5604-4921 108
     Т-149-500 233 43-381 399106-626210-466-720 275394 45 96359117-369-294-249
     Т -16-11950-12993-894-1115-373-2135-7406-6508
    79 751-879 627 278-2228 932 413 207 367-1700-291 502 -2136 495118-1224-556 59-5609-760 109
     П-149-500 233 43-381 399106-626210-466-720 275394 45 96359117-369-294-249
     П -762-11964 -1325-894-1115-701-1378-7406-6492
    80-1113-4530-1626-702-1338 3243-3172-4385-2856-2220-3677-1218-4564-2783-3335-609 475-4087-4819 473110
     Т-149-500 233 43-381 399106-626210-466-720 275394 45 96359117-369-294-249
     Т -17 -11219-12261-894-1115-5668-29-7406-6476
    81-600-4713 431610884 76-2903 6-110-558-3805 1201-1380 295-67-446-669-524 1772765111
     К -150-491 229 46 -379 400102-630 209-464-724 274390 44 95360120-367-282-247
     К -462-1929-12261-574-1607-3943-97-7406-6459
    82-5380-6068-5956-5195-7389 3194-752-6800-1418-2482-5840-5064-706-4120-1351 1839-5345-6386-6418-6291 116
     S -149-500 233 43-381 399106-626210-466-720 275394 45 96359117-369-294-249
     С -17 -11264-12306-894-1115-270-2549-7406-6443
    83 55-5343-399930-1066-48 1295-2492 90-1643 1044-891 1912 1116368-1154-891-1051-5526-1841 117
     N -149-500 233 43-381 399106-626210-466-720 275394 45 96359117-369-294-249
     N -17-11871-12913-894-1115-101-3893-7406-6426
    84 90-5310-3879 1738 8-1225-3636-1523-271-615-1216-1875 1773-1639 653-366-193-4902 2379453118
     S -149-500 233 43-381 399106-626210-466-720 275394 45 96359117-369-294-249
     S -17-11965-13007-894-1115-701-1378-7406-6409
    85-1223-5446-3828-1467-5768-863-152-2326-1293-5461-4537-3588-2253-1611-424 3277371-5069-5628-4949 119
     S * * * * * * * * * * * * * * * * * * * *
     S * * * * * * * -7406 0
//
 

Дата файлы

Примечания

использованная литература

Предупреждения

Сообщения об ошибках диагностики

Статус выхода

Известные ошибки

Авторы)

Пожалуйста, сообщайте обо всех ошибках команде ошибок EMBOSS (emboss-bug © emboss.open-bio.org), а не оригинальному автору.

История

Целевые пользователи

Комментарии

Никто