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

Содержание

Атлант ХМ 4713 Особенности модели онлайн [9/24]

1 SOYUDUCUNUN TӘSVİRİ

1.1 Soyuducu STB 1499-2004, STB IEC 62552-2009

standartlarına uyğundur. STB IEC 62552-2009 standartlarının tələbinə

əsasasən “Kamera” termini “bölüm” termini ilə əvəz olunmuşdur.

Bununla əlaqədar olaraq bu terminlər eyni mənada istifadə olunur:

İstifadə qaydalarında (ХK və МK) kamerası, əlavədə (ХО və МО)

bölümü olaraq keçir.

1.2 Rəsim 1-ə uyğun olaraq soyuducu, onun dondurucu

bolümündə (irəlidə – МО) ərzaqların dondurulması və dondurulduqdan

sonra uzun zaman saxlanması üçün, buz hazırlanması üçün;

soyuducu bölümü (irəlidə – ХО), təzə ərzağın, içməli sular, tərəvəz

və meyvələrin qısa müddət içində soyudulması və saxlanması üçün

nəzərdə tutulmuşdur.

ХО-da (soyuducu modelinin bəzi icraatlarında) rəsim 1-ə

uyğun olaraq təravətlik bölməsi mövcuddur. Təravətlik bölməsində

temperatur ХО-da olan temperaturdan təxminən 2

0

С dərəcəyədək

aşağıdır, bu da təzə ət və balıq məhsullarının saxlanma müddətini

uzatmağa imkan verir. Bu bölmədə tərəvəz, salatlar və digər aşağı

temperatura həssas məhsullar saxlamaq tövsiyyə olunmur.

1.3 Soyuducu ətraf mühitin hərarəti müsbət 16

0

С ilə müsbət

38

0

С arasında olduqda istifadə olunmalıdır.

1.4 Soyuducunun işlədilməsi üçün lazım olan sahə rəs. 2 də

mm-lə göstərilən qabarit ölçüləri əsasında təyin edilir Soyuducunun

hissələrini maneəsiz çıxara bilmək üçün kamera qapılarının 90

0

-dən

az olmayan bücaq altında açılması lazımdır.

1.5 Rəs. 3-ə əsasən soyuducunun temperaturunu tәnzim

orqanı, XO bölümünün maskəsində yerləşən tənzim dəsdəyidir

(irəlidə dəstək deyəcəyik). Dəstək həm saat əqrəbi istiqamətində, həm

də əksinə döndərilə bilər və onun rəqəmli işarələri vardır. “1” rəqəmi

ən böyük hərarətə (əz az soyutmaya), “7” rəqəmi ən kiçik hərarətə

(ən böyük soyutmaya) uyğundur. Hərarət tənzimi üçün dəstəyin

nömrələnmiş cizgisi ox uşarəsinin altına çəkilməlidir.

1.6 МО bölümünün səbətlərinin ön lövhələrindəki dəstəklər,

həmçinin rəsim 4-ə uyğun olaraq, onların yan lövhələrində (alt səbət

müstəsna olmaqla) dəstəklər, onları soyuducunun xaricində daşımaq

üçündür.

I – dondurucu bölümü (МО):

«а» – dondurulma və saxlama zonası;

«б» – saxlama zonası;

II – təzə ərzaq məhsulları saxlama bölümü (ХО)

III – təravər bölümü (bəzi istehsal variantlarında yoxdur)

Rәsim 1 – Soyuducu vә tamamlayıcı hissәlәri

Rәsim 2 – Soyuducu (üstdәn görünüşü)

90

0

613

1202

səbət

arxa dayaq

MO bölümünün qapısı

Rәsim 3 – Temperatur tәnzimcisinin dәstәyi

Rәsim 4 – Sәbәt

dəstək dəstək

dəstək

arxa dayaq

kürək

kirpi rça

yumurta altlığı

buz qəlibiı

I

II

qab

alt qab

alt səbət

səbət

səbət

tərəvəz və meyvə

qabı

şüşə rəf

alt şüşə rəf

altlıq

ön lovhə

təravət

bülümünün

şüşə rə

III

«а»

«b»

«b»

9

AZE

Информация для предварительного ознакомления. Официальной информацией изготовителя не является

Купите у нас по цене 350 руб. 774142100800

Панель откидная и на ящик морозильной камеры к холодильникам АТЛАНТ, МИНСК

Артикул запчасти: 774142100800 (MKAY.741421.008)

Устаревший код : 774142100100 (MKAY.741421.001)

Панель идет как откидная и как на среднюю корзину, ящик. Наклейка на панель три звездочки остается старая!!!

Подходит для моделей:

ХМ-6326
ХМ-6325
ХМ-6324
ХМ-6323
ХМ-6321
ХМ-6319
ХМ-6095
ХМ-6094
ХМ-6091
ХМ-6026
ХМ-6025
ХМ-6024
ХМ-6023
ХМ-6022
ХМ-6021
ХМ-6020
ХМ-6019
ХМ-6002
ХМ-6001
ХМ-5096
ХМ-5095
ХМ-5094
ХМ-5091
ХМ-5019
ХМ-5018
ХМ-5017
ХМ-5016
ХМ-5015
ХМ-5014
ХМ-5013
ХМ-5012
ХМ-5011
ХМ-5010
ХМ-5009
ХМ-5008
ХМ-5007
ХМ-5006
ХМ-5005
ХМ-5004
ХМ-5003

ХМ-5002
ХМ-5001
ХМ-4726
ХМ-4725
ХМ-4724
ХМ-4723
ХМ-4721
ХМ-4713
ХМ-4712
ХМ-4711
ХМ-4710,
ХМ-4709,
ХМ-4708
ХМ-4099
ХМ-4098
ХМ-4092
ХМ-4091
ХМ-4026
ХМ-4025
ХМ-4024
ХМ-4023
ХМ-4021
ХМ-4020
ХМ-4019
ХМ-4018
ХМ-4017
ХМ-4016
ХМ-4015
ХМ-4013
ХМ-4012
ХМ-4011
ХМ-4010
ХМ-4009
ХМ-4008
МХМ-1848
МХМ-1847
МХМ-1845
МХМ-1844
МХМ-1843
МХМ-1842
МХМ-1841
МХМ-1834
МХМ-1833
МХМ-1818
МХМ-1817
МХМ-1816
МХМ-1809
МХМ-1807
МХМ-1806
МХМ-1804
МХМ-1803
МХМ-1802
МХМ-1801
МХМ-1800
МХМ-1748
МХМ-1747
МХМ-1745
МХМ-1744
МХМ-1743
МХМ-1742
МХМ-1741
МХМ-1716
МХМ-1709
МХМ-1707
МХМ-1703
МХМ-1702
МХМ-1700
M7184 (М7184)
M7103 (М7103)
ХМ4008 (XM4008)
М7003 (M7003)
ХТ2001 (XT2001)

Панель откидная для морозильной камеры холодильника Атлант 774142100800 / 470х185мм

Прозрачная откидная панель 774142100800 средних пластиковых поддонов морозильной камеры
холодильников Атлант.
Откидной щиток средних выдвижных ящиков морозилки для Атлант МХМ-184*, ХМ-40/47/50/60/63 и др.
Габаритные размеры: 470х185 мм.
Устаревший аналог панели: 774142100801.
*Для пластиковых поддонов: 769748401800 (769748401801).
**Корзина в сборе (панель+поддон): 769748300800.
Для холодильников Атлант: М-7003-***, M-7003-***, М-7103-***, M-7103-***, М-7184-***, M-7184-***, ММ-163-** МКШ-200, MM-163-** MКШ-200,
ММ-164-** МКШ-240, MM-164-** MКШ-240, ММ-183-**, MM-183-**, ММ-184-**, MM-184-**, МХМ-1841-**, MXM-1841-**, МХМ-1842-**, MXM-1842-**,
МХМ-1843-**, MXM-1843-**, МХМ-1844-**, MXM-1844-**, МХМ-1845-**, MXM-1845-**, МХМ-1847-**, MXM-1847-**, МХМ-1848-**, MXM-1848-**, ХМ-412-
***, XM-412-***, ХМ-4008-***, XM-4008-***, ХМ-4009-***, XM-4009-***, ХМ-4010-***, XM-4010-***, ХМ-4011-***, XM-4011-***, ХМ-4012-***, XM-4012-***,
ХМ-4013-***, XM-4013-***, ХМ-4021-***, XM-4021-***, ХМ-4023-***, XM-4023-***, ХМ-4024-***, XM-4024-***, ХМ-4025-***, XM-4025-***, ХМ-4026-***,
XM-4026-***, ХМ-4091-***, XM-4091-***, ХМ-4092-***, XM-4092-***, ХМ-4098-***, XM-4098-***, ХМ-4099-***, XM-4099-***, ХМ-4708-***, XM-4708-***,
ХМ-4709-***, XM-4709-***, ХМ-4710-***, XM-4710-***, ХМ-4711-***, XM-4711-***, ХМ-4712-***, XM-4712-***, ХМ-4713-***, XM-4713-***, ХМ-4721-***,
XM-4721-***, ХМ-4723-***, XM-4723-***, ХМ-4724-***, XM-4724-***, ХМ-4725-***, XM-4725-***, ХМ-4726-***, XM-4726-***, ХМ-5008-***, XM-5008-***,
ХМ-5009-***, XM-5009-***, ХМ-5010-***, XM-5010-***, ХМ-5011-***, XM-5011-***, ХМ-5012-***, XM-5012-***, ХМ-5013-***, XM-5013-***, ХМ-5014-***,
XM-5014-***, ХМ-5015-***, XM-5015-***, ХМ-5091-***, XM-5091-***, ХМ-5094-***, XM-5094-***, ХМ-5095-***, XM-5095-***, ХМ-5096-***, XM-5096-***,
ХМ-6001-***, XM-6001-***, ХМ-6002-***, XM-6002-***, ХМ-6019-***, XM-6019-***, ХМ-6020-***, XM-6020-***, ХМ-6021-***, XM-6021-***, ХМ-6022-***,
XM-6022-***, ХМ-6023-***, XM-6023-***, ХМ-6024-***, XM-6024-***, ХМ-6025-***, XM-6025-***, ХМ-6026-***, XM-6026-***, ХМ-6091-***, XM-6091-***,
ХМ-6093-***, XM-6093-***, ХМ-6094-***, XM-6094-***, ХМ-6095-***, XM-6095-***, ХМ-6096-***, XM-6096-***, ХМ-6319-***, XM-6319-***, ХМ-6321-***,
XM-6321-***, ХМ-6323-***, XM-6323-***, ХМ-6324-***, XM-6324-***, ХМ-6325-***, XM-6325-***, ХМ-6326-***, XM-6326-***, М7003, M7003, М7103, M7103,
М7184, M7184, ММ163 МКШ200, MM163 MКШ200, ММ164 МКШ240, MM164 MКШ240, ММ183, MM183, ММ184, MM184, МХМ1841, MXM1841, МХМ1842,
MXM1842, МХМ1843, MXM1843, МХМ1844, MXM1844, МХМ1845, MXM1845, МХМ1847, MXM1847, МХМ1848, MXM1848, ХМ412, XM412, ХМ4008, XM4008,
ХМ4009, XM4009, ХМ4010, XM4010, ХМ4011, XM4011, ХМ4012, XM4012, ХМ4013, XM4013, ХМ4021, XM4021, ХМ4023, XM4023, ХМ4024, XM4024, ХМ4025,
XM4025, ХМ4026, XM4026, ХМ4091, XM4091, ХМ4092, XM4092, ХМ4098, XM4098, ХМ4099, XM4099, ХМ4708, XM4708, ХМ4709, XM4709, ХМ4710, XM4710,
ХМ4711, XM4711, ХМ4712, XM4712, ХМ4713, XM4713, ХМ4721, XM4721, ХМ4723, XM4723, ХМ4724, XM4724, ХМ4725, XM4725, ХМ4726, XM4726, ХМ5008,
XM5008, ХМ5009, XM5009, ХМ5010, XM5010, ХМ5011, XM5011, ХМ5012, XM5012, ХМ5013, XM5013, ХМ5014, XM5014, ХМ5015, XM5015, ХМ5091, XM5091,
ХМ5094, XM5094, ХМ5095, XM5095, ХМ5096, XM5096, ХМ6001, XM6001, ХМ6002, XM6002, ХМ6019, XM6019, ХМ6020, XM6020, ХМ6021, XM6021, ХМ6022,
XM6022, ХМ6023, XM6023, ХМ6024, XM6024, ХМ6025, XM6025, ХМ6026, XM6026, ХМ6091, XM6091, ХМ6093, XM6093, ХМ6094, XM6094, ХМ6095, XM6095,
ХМ6096, XM6096, ХМ6319, XM6319, ХМ6321, XM6321, ХМ6323, XM6323, ХМ6324, XM6324, ХМ6325, XM6325, ХМ6326, XM6326

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.

Датчик реле температуры К59L2098 арт. 908081492098.
Длина капиллярной (сильфонной) трубки: 1,3 метра.
Подключение: 3 клеммы + 2 клеммы заземление.
Производитель: Ranco.
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,
– Ranco К59-S1686, K59S1686,
– Ranco К59-S1850, K59S1850,
– Ranco К59-S6068, K59S6068,
– Ranco К59-S6070, K59S6070,
– Ranco К59-S6072, K59S6072,
– Ranco К59-L2098, K59L2098,
– Ranco К59-Q1953, K59Q1953,
– Ranco К59-Q2098, K59Q2098,
– Ranco К59-Q2174, K59Q2174,
– Danfoss 077B3249, 077В3249
– Danfoss 077B3555, 077В3555
– Danfoss 077B3556, 077В3556
– Danfoss 077B3248, 077В3248.
– КDF31Q1.

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.

, b1 , b1 , b2 , b3 , b3 и b1, b2, b3, b4-b4, b b4, b

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

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.

Халлам

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

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.

Copyright © Автор (ы) 2020. Опубликовано Oxford University Press. Это статья в открытом доступе, распространяемая в соответствии с условиями некоммерческой лицензии Creative Commons Attribution (http://creativecommons.org/licenses/by-nc/). 4.0 /), который разрешает некоммерческое повторное использование, распространение и воспроизведение на любом носителе при условии правильного цитирования оригинальной работы. По вопросам коммерческого повторного использования обращайтесь по адресу [email protected]

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

Мы живем в мире, где доминируют прокариотические (археи и бактерии) микроорганизмы. Коллективные свойства этого невидимого большинства оказывают огромное влияние на мир, управляя преобразованиями материи и энергии через сети обмена метаболитами (Canfield et al. , 2010; Falkowski et al. , 2008 г .; Гурвиц и Салливан, 2013). С течением геологического времени эти взаимодействия коренным образом изменили химический состав поверхности Земли и продолжают формировать потоки элементов между атмосферным, земным и водным компонентами биосферы. Разнообразный набор функциональных генов, которые развились в начале истории жизни, ответственны за управление биогеохимическими процессами посредством в значительной степени определенных метаболических путей (Falkowski
et al.
, 2008). Гены, кодирующие этапы диагностики в этих путях (например, функциональные якоря), могут быть собраны в филогенетическую структуру, которая предоставляет информацию о распределении, численности и таксономическом происхождении экологических последовательностей. Однако отображение разнообразия и паттернов распределения функциональных и таксономических якорных генов ограничено нашей неспособностью количественно определить микробные сообщества в рамках стандартной таксономической иерархии.

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

Миниатюризация сложных электрических устройств при постоянно более низкой стоимости привела к разработке множества носимых датчиков и их внедрению в здравоохранение. специализированный Интернет вещей (IoT).Широкая цель Интернета вещей в здравоохранении, иногда называемого Интернетом медицинских вещей, сокращенно IoMT, заключается в предоставлении сети встроенных систем для сбора, передачи и анализа данных для удаленной медицинской практики с повышенным качеством. Датчики во встроенных системах IoMT могут выполнять множество полезных измерений, таких как частота сердечных сокращений, температура тела, артериальное давление, временные данные, такие как электрокардиография (ЭКГ), и данные активности, такие как ускорение движений. Целью этого исследования является изучение метода распознавания человеческой деятельности (HAR), позволяющего определить точность и скорость выполнения решений, который будет применим и практически применим в приложениях Интернета вещей в здравоохранении.В этом методе используются данные об ускорении движения человека, записанные с помощью одного удобно носимого акселерометра. Недавнее исследование HAR в здравоохранении использовало различные носимые датчики для систем мониторинга здоровья и физической реабилитации [1]. Например, исх. [2] представили качественный синтез исследований с использованием носимых датчиков тела для мониторинга здоровья, указав на ряд недостатков в предыдущих исследованиях как в отношении размера выборки, так и демографических характеристик участников. Такие системы нацелены на разработку методов автоматического распознавания физической активности человека путем анализа данных, собранных датчиками носимых устройств.Основная проблема состоит в том, чтобы назначить сегмент временного ряда данных датчика соответствующему действию в течение этого временного сегмента [3].

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.

Предлагаемая ансамблевая архитектура является новой, поскольку она сочетает в себе проектирование функций и изучение функций и делает это с параллельной реализацией перекрестной проверки: она объединяет решения различных классификаторов таким образом, чтобы повысить надежность и точность окончательного решения. . Метод демонстрируется в важной области наблюдения за здоровьем и реабилитации. Он податлив, чтобы легко включать дополнительные классификационные модели.Остальная часть этого документа организована следующим образом: Раздел 2 дает обзор основанных на датчиках систем HAR, Раздел 3 представляет подробное описание материалов и методов, используемых в этом исследовании, включая сбор данных, предварительную обработку и предлагаемую параллельную архитектуру. фреймворк. Раздел 4 описывает и обсуждает экспериментальные результаты. Наконец, Раздел 5 содержит выводы и перспективы для дальнейших исследований.

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.

HAR на основе датчиков можно определить как процесс интерпретации данных датчиков для распознавания набора физических действий человека [4]. Более конкретно, основанный на датчиках HAR — это классическая задача многомерного анализа временных рядов, которая направлена ​​на классификацию смежных частей потоков данных датчиков, которые охватывают действия, представляющие интерес для данного целевого приложения.Было предложено несколько подходов к HAR на основе носимых датчиков, в которых изучались различные виды деятельности человека, включая обычные повседневные действия, передвижение и фитнес-упражнения, и они были хорошо изучены. Лара и др. [5] исследовали состояние дел в области HAR, основанной на носимых датчиках. Авторы оценили современные системы HAR, определив таксономию, которая позволяет сравнивать и анализировать их в группах, которые имеют общие характеристики, такие как распознаваемые действия, тип датчиков и измеряемые атрибуты, устройство интеграции, уровень навязчивости, тип протокола сбора данных, уровень энергопотребления, уровень гибкости классификатора, метод извлечения признаков, алгоритм обучения и общая точность для всех действий.Двадцать восемь систем HAR, представленных в литературе, были сравнены в соответствии с вышеупомянутыми аспектами. Attal et al. [6] представили обзор распознавания человеческой деятельности с использованием носимых датчиков и сосредоточились на размещении носимых датчиков, предварительной обработке данных, включая методы извлечения и выбора признаков, а также методы классификации. Nweke et al. [7] рассмотрели методы глубокого обучения для распознавания человеческой активности на основе мобильных и носимых датчиков. В обзоре представлены методы, их преимущества и ограничения.Wang et al. [8] представили обзор HAR, основанного на модальности носимых датчиков, в здравоохранении, включая датчики, используемые в HAR, размещение датчиков на различных частях тела, наиболее часто встречающиеся сенсорные платформы в HAR, действия, определенные в этой области, сегментацию данных, изучение функций, классификация и т. д. Как и ожидалось, большинство измерений датчиков, используемых в существующих исследованиях, классифицируются как связанные с движением пользователя (например, с использованием акселерометров или GPS), переменными окружающей среды (например, с помощью акселерометров или GPS).ж., температура и влажность) или физиологические сигналы (например, частота сердечных сокращений или электрокардиограмма). Обычно они собираются у небольшого числа субъектов и в ограниченных условиях. Например, Bao и Intille [9] сообщили о количестве субъектов, которые участвовали в прошлых исследованиях по распознаванию активности с использованием ускорения, в диапазоне от 1 до 24. В более позднем обзоре Wang et al. [10] представили несколько широко используемых общедоступных наборов данных HAR образцов ускорения и сообщили о количестве субъектов, участвовавших в этих исследованиях, от 1 до 36.Более того, эти подходы различаются в зависимости от сенсорных технологий, используемых для сбора данных, функций, используемых для обучения модели: ручное извлечение признаков (проектирование признаков) или автоматическое извлечение признаков (обучение признаков), а также методов классификации на основе обучения, а именно классических машинное обучение и глубокие подходы.

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.

Смартфоны и носимые устройства, оснащенные акселерометрами, например умная одежда, широко используются в HAR на основе датчиков. Гарсия и др. [11] обсуждали общедоступные наборы данных, собранные с различных носимых устройств и / или датчиков смартфонов, таких как наборы данных WISDM [12], PAMAP2 [13] и MHealth [14]. В частности, для HAR на базе смартфонов обзор соответствующей работы был представлен в [15] с акцентом на анализируемые действия, типы используемых данных датчиков, извлеченные функции, примененный метод классификации и достигнутую точность.Например, Kwapisz et al. [12] собирали данные датчиков акселерометров на телефоне с помощью приложения, установленного на телефоне каждого пользователя. Трехосные датчики акселерометра были собраны у 36 пользователей, которые держали смартфон в переднем кармане брюк. Баят и др. [16] собрали данные трехосевого акселерометра от 4 человек, у каждого из которых был сотовый телефон в руке или в кармане. В настоящее время почти каждый носит с собой смартфон, который обеспечивает удобный способ сбора необработанных данных с датчиков для определения физической активности.Однако одним из недостатков является то, что смартфоны обычно носят в сумках или карманах и, как правило, не размещают на теле. Другой подход к обнаружению широкого диапазона физических нагрузок заключается в ношении нескольких акселерометров, размещенных одновременно в разных местах на теле испытуемого (бедро, грудь, щиколотка, талия и т. д.). Например, Kern et al. [17] разместили трехосные датчики акселерометра во всех основных суставах человеческого тела, чтобы распознавать повседневные позы и действия: чуть выше лодыжки, чуть выше колена, на бедре, на запястье, чуть выше локтя и плечо.Бао и Интилле [9] собрали данные датчиков с пяти двуосных акселерометров, размещенных на правом бедре каждого испытуемого, доминирующем запястье, недоминантном плече, доминирующей лодыжке и недоминантном бедре, чтобы распознать ходьбу, позу и другие повседневные действия. Несмотря на то, что этот подход, как известно, дает высокие показатели производительности, он, например, непрактичен в клинических условиях. В других исследованиях, таких как наше, основное внимание уделялось использованию одного акселерометра для ношения на поясе для распознавания активности.Например, Bidargaddi et al. [18] проанализировали сигналы ускорения, записанные с помощью трехосного акселерометра, который устанавливается на поясе пациентов, проходящих кардиологическую реабилитацию. Идеальное расположение датчика для конкретных приложений все еще является предметом многочисленных споров. Бао и Интилле [9] пришли к выводу, что акселерометр, размещенный на бедре, был самым мощным средством для различения ряда обычных повседневных домашних дел. Cheung et al. [19] пришли к выводу, что использование одного трехосного акселерометра, установленного на поясе, является наиболее практичным решением для мониторинга состояния здоровья.Cleland et al. [20] пришли к выводу, что датчик, расположенный на бедре, обеспечивает наилучшее распознавание большинства повседневных действий.

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.

Целью объединения данных является объединение данных, полученных с разных датчиков или по разным осям, для повышения надежности, устойчивости и обобщающей способности систем HAR. Слияние данных может быть достигнуто на следующих трех уровнях: уровень данных, уровень функций и уровень принятия решения [21]. Некоторые существующие методы, позволяющие объединить различные модели данных для распознавания человеческой деятельности, включают метод средневзвешенных и наименьших квадратов, фильтрацию Калмана и теорию Демпстера-Шафера [22].Другой распространенный метод — рассматривать данные, полученные разными датчиками или по разным осям, то есть многомерные временные ряды, индивидуально в отдельном канале, и рассматривать каждый канал отдельно как входные данные для моделей [23]. Cai et al. [24] рассматривает трехосные данные трехосного акселерометра как интеграцию и классифицирует действия на основе результирующего ускорения. При слиянии на уровне функций обычные методы слияния функций просто объединяют несколько видов извлеченных функций вместе.Например, Fu et al. [25] предложили объединить несколько функций в обобщенную структуру обучения подпространству. Тао и др. [26] выбрали характерные частотные характеристики ускорения вдоль каждой оси, соответственно, и объединили их в вектор. Слияние на уровне решений включает систематическое слияние индивидуальных решений классификатора для получения окончательного решения с целью повышения точности, надежности и обобщения [27]. Обычно используются схемы комбинирования классификаторов: простое голосование, голосование большинством, взвешенное большинство, оценка слияния и апостериорная вероятность [28].Сегментация — это процесс разделения непрерывного потока данных на более мелкие сегменты данных. Большинство методов сегментации можно разделить на три категории: управление окнами, определяемыми действиями, управление окнами, определяемыми событиями, и управление скользящими окнами. Стратегия скользящего окна, которая допускает степень перекрытия между окнами фиксированного размера, была превалирующей [14]. Конструирование элементов использует знания предметной области для определения характеристик представления данных [29], а изучение функций определяет отображение из предметной области. к предметной области, не полагаясь на какие-либо знания предметной области.В текущих исследованиях четко не установлено, какая из функций разработки или изучения функций более эффективна в HAR. Фигу и др. [30] обсудили несколько схем разработки функций для данных акселерометра в HAR, включая метрики во временной, частотной и дискретной областях. Plötz et al. [3] оценили эффективность обучения признакам для задач классификации физической активности без привлечения предметных знаний по сравнению с методами конструирования признаков. He et al. [31] предложил систему HAR, основанную на дискретном косинусном преобразовании (DCT), в качестве метода автоматического выделения признаков.Аталлах и др. [32] исследовали три метода выбора признаков, а именно методы Relief, Simba и Minimum Redundancy Maximum Relevance (MRMR). Проблема распознавания физической активности на основе данных акселерометра решалась много раз с помощью различных подходов к классификации, например k -Ближайший сосед (k-NN) [33], деревья решений (DT) [34], машины опорных векторов (SVM) [35], искусственные нейронные сети (ANN), глубокое обучение [3], скрытая марковская модель [36] ], а также методы ансамблевого обучения, например, в [37].Баят и др. [16] объединили три классификатора на основе среднего значения метода слияния вероятностей, используя данные акселерометра со смартфонов в двух наборах данных: положение телефона в руке и положение телефона в кармане. Для положения телефона в руке классификаторы состоят из многослойного персептрона, классификаторов LogitBoost и SVM с точностью 91,15%. Для положения телефона в кармане лучшая комбинация — многослойный персептрон, случайный лес и простая логистика с точностью 90,34%. Catal et al. [38] объединили три классификатора методом слияния средних вероятностей с использованием данных акселерометра со смартфонов (набор данных WISDM [12]).Классификаторы состоят из классификаторов J48, логистической регрессии и MLP. Экспериментальные результаты показали, что эта новая модель показала лучшую производительность, чем автономные классификаторы. Это исследование отличается от большинства предыдущих работ тем, что мы используем одно устройство, которое удобно носить, а не несколько устройств, распределенных по телу, и мы не требуем никаких дополнительных действий со стороны пользователя. ни какое-либо дополнительное специализированное оборудование. Более того, этот подход позволяет применять предлагаемые модели в реальных условиях, особенно в мониторинге здоровья и реабилитации.Кроме того, мы создали и протестировали предложенные модели с использованием большего числа пользователей, чем большинство предыдущих исследований HAR на основе датчиков акселерометра, которые мы рассмотрели, и ожидаем, что это число значительно вырастет, поскольку мы продолжаем сбор данных. В свете предыдущих изученных исследований мы предложили ансамблевую архитектуру, которая сочетает в себе методы проектирования и изучения признаков, что не только позволяет нам сравнивать разнородные классификаторы, но и объединяет их прогнозы. Очевидно, что архитектуры ансамблевого обучения для распознавания человеческой деятельности использовались много раз раньше, и из литературы можно сделать вывод, что ансамблевые методы дают лучшие результаты по сравнению с автономными алгоритмами [37].Однако новым в этом подходе является то, что, во-первых, мы запустили большую базу данных, используя параллельную реализацию перекрестной проверки, чтобы оценить возможности обобщения предлагаемых методов обучения, а во-вторых, мы применили различные подходы слияния (данные, особенности и решения ) по всей длине трубопроводов.

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.

Первой частью этого исследования является получение большого мультимодального набора данных, основанного на переносном сенсорном жилете, который собирает данные сердечных, респираторных и акселерометрических данных от здоровых и молодых добровольцев. Каждый участник выполняет последовательность из десяти реальных физических нагрузок, включая статические и динамические, которые могут иметь место во время протокола реабилитации пациента [62].Цель этого сбора данных состоит в том, чтобы подтвердить концепцию того, что записанные данные ускорения, полученные с помощью акселерометра, носимого на поясе во время физической активности, могут быть смоделированы для системы HAR с использованием методов обучения с целью мониторинга здоровья на предстоящем этапе более подробной информации. глобальный исследовательский проект.

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.

Здесь мы исследуем сходства и различия между этой работой и другими методами ансамблевого обучения для HAR [37,63]. В рассмотренных методах используются разные наборы данных. Следовательно, нельзя сравнивать заявленную точность и время выполнения. Например, Rahim et al. [63] обсуждали производительность пяти типов ансамблевых классификаторов: бэггинг, adboost, ротационный лес, ансамбль вложенных дихотомий и случайное подпространство, все с либо опорной векторной машиной (SVM), либо случайным лесом (RF) в качестве базовой схемы обучения.Были рассмотрены два открытых набора данных, содержащих соответственно 5447 и 10299 образцов, собранных, соответственно, у 31 и 30 участников с использованием инерциальных датчиков смартфонов. Они также использовали 17 функций из временной и частотной областей. Классификация данных оценивается с помощью методов удержания (70–30%) и 10-кратной перекрестной проверки. Они отметили, что в целом SVM обеспечивает лучшую точность, достигающую 99,22% по сравнению с RF с 97,91%. Авторы не обсуждают вычислительные затраты или аспекты реализации.Рахим и др. в основном сосредоточились на методах выборки данных, где они рассмотрели пять различных стратегий, упомянутых выше. В этом исследовании мы используем K-кратную перекрестную проверку, где K — это количество субъектов в наборе данных, то есть 44, в качестве метода повторной выборки. Чтобы провести честное сравнение, мы намерены протестировать другие методы повторной выборки, такие как случайное разбиение и агрегирование бутстрапов, более часто называемое бэггингом. Что касается обучения, Rahim et al. использовали исключительно ручные классификаторы на основе функций (SVM и RF), в то время как мы рассматриваем подходы как к разработке функций, так и к изучению функций.Более того, наш набор данных значительно больше (3,5 миллиона выборок), чем два набора данных, которые они используют для оценки производительности. Как и в нашем исследовании, Xu et al. [37] применили каскадное ансамблевое обучение (называемое CELearning) для моделирования распознавания человеческой активности. Однако перед классификацией они применили сочетание созданных вручную и автоматически извлеченных функций быстрого преобразования Фурье (БПФ). Ниже мы перечисляем семь возможных направлений будущей работы. Во-первых, оценка показателей эффективности отдельно для разных демографических категорий и сбор большего количества обучающих данных при одновременном обеспечении разнообразия демографических характеристик, чтобы обеспечить разнообразие наших данных и смягчить любую систематическую ошибку.Второй — это автоматическая настройка гиперпараметров используемых алгоритмов обучения в этой статье, чтобы обеспечить максимальную производительность при использовании нашего набора данных. Третий — исследование библиотек проектирования функций с открытым исходным кодом (например, tsfel [64] и tsfresh [65]) для временных рядов, чтобы уловить как можно больше различительных характеристик сигналов физической активности человека. Четвертый — понять изученные особенности каждым предложенным подходом (проектирование признаков, автоматическое извлечение признаков и изучение признаков), например, путем применения карты активации классов (CAM) [66], а затем сравнения соответствующих выходных векторов признаков.Пятое — сгладить и объединить метки прогнозируемой активности последовательных сегментов. Таким образом, определение начальной и конечной точек каждого действия очень полезно для физической реабилитации, чтобы иметь лучшую информацию о переходах между видами деятельности и продолжительности каждого действия. Более того, каждый конвейер в предлагаемой архитектуре ансамблевого обучения может быть расширен путем оценки более чем одного стандартного алгоритма обучения, принадлежащего каждому подходу, на имеющихся данных и объединения их прогнозов для достижения лучшей скорости распознавания.Следует отметить, что принятые алгоритмы обучения, используемые на каждом конвейере, служат доказательством концепции предлагаемой архитектуры ансамблевого обучения. Наконец, мы намерены сравнить различные методы объединения классификаторов, такие как упаковка и повышение.

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

  • 1.

    Stormo GD: сайты связывания ДНК: представление и открытие. Биоинформатика 2000, 16 (1): 16–23.

    CAS Статья PubMed Google Scholar

  • 2.

    Гупта М., Лю Дж. С.: Выявление de novo цис-регуляторного модуля для геномов эукариот. Proc Natl Acad Sci USA 2005, 102 (20): 7079–7084.

    PubMed Central CAS Статья PubMed Google Scholar

  • 3.

    Вавури Т., Уолтер К., Гилкс В.Р., Ленер Б., Элгар Г.: Параллельная эволюция консервативных некодирующих элементов, которые нацелены на общий набор регуляторных генов развития от червей до человека. Genome Biol 2007, 8 (2): R15.

    PubMed Central Статья PubMed Google Scholar

  • 4.

    Matys V, Fricke E, Geffers R, Gossling E, Haubrock M, Hehl R, Hornischer K, Karas D, Kel AE, Kel-Margoulis OV, et al. .: TRANSFAC: регуляция транскрипции, от паттернов к профилям. Nucleic Acids Res 2003, 31 (1): 374–378.

    PubMed Central CAS Статья PubMed Google Scholar

  • 5.

    Сегал Э., Фондуфе-Миттендорф Ю., Чен Л., Тастром А., Филд Y, Мур И.К., Ван Дж. П., Видом Дж .: геномный код для позиционирования нуклеосом. Nature 2006, 442 (7104): 772–778.

    PubMed Central CAS Статья PubMed Google Scholar

  • 6.

    Боницци Г., Карин М.: Два пути активации NF-kappaB и их роль в врожденном и адаптивном иммунитете. Trends Immunol 2004, 25 (6): 280–288.

    CAS Статья PubMed Google Scholar

  • 7.

    Hayden MS, Ghosh S: Передача сигналов NF-kappaB. Genes Dev 2004, 18 (18): 2195–2224.

    CAS Статья PubMed Google Scholar

  • 8.

    Baeuerle PA: индуцибельный активатор транскрипции NF-каппа B: регуляция с помощью отдельных белковых субъединиц. Biochim Biophys Acta 1991, 1072 (1): 63–80.

    CAS PubMed Google Scholar

  • 9.

    Табач Ю., Брош Р., Буганим Ю., Райнер А., Зук О., Ицхаки А., Кудрицкий М., Роттер В., Домани Е. Широкомасштабный анализ связывания функциональных факторов транскрипции человека показывает сильную предвзятость в отношении транскрипции. начать сайт. PLoS ONE 2007, 2 (8): e807.

    PubMed Central Статья PubMed Google Scholar

  • 10.

    Лю Р., МакИчин Р.К., Стейтс DJ: Вычислительная идентификация новых регулируемых NF-каппа B иммунных генов в геноме человека. Genome Res 2003, 13 (4): 654–661.

    PubMed Central CAS Статья PubMed Google Scholar

  • 11.

    Джорджевич М., Сенгупта А.М., Шрайман Б.И.: Биофизический подход к открытию сайта связывания фактора транскрипции. Genome Res 2003, 13 (11): 2381–2390.

    PubMed Central CAS Статья PubMed Google Scholar

  • 12.

    Сенгупта AM, Джорджевич М., Шрайман Б.И.: Специфичность и надежность в сетях контроля транскрипции. Proc Natl Acad Sci USA 2002, 99 (4): 2072–2077.

    PubMed Central CAS Статья PubMed Google Scholar

  • 13.

    Eddy SR: Скрытые марковские модели. Curr Opin Struct Biol 1996, 6 (3): 361–365.

    CAS Статья PubMed Google Scholar

  • 14.

    Eddy SR: Профиль скрытых марковских моделей. Биоинформатика 1998, 14 (9): 755–763.

    CAS Статья PubMed Google Scholar

  • 15.

    Крог A: Введение в скрытые марковские модели для биологических последовательностей.В Вычислительные методы в молекулярной биологии . Под редакцией: Salzberg SL, Searls DB, Kasif S. Нью-Йорк: Elsevier; 1998: 45–63.

    Глава Google Scholar

  • 16.

    Крог А., Браун М., Миан И.С., Шоландер К., Хаусслер Д.: Скрытые марковские модели в вычислительной биологии. Приложения к моделированию белков. J Mol Biol 1994, 235 (5): 1501–1531.

    CAS Статья PubMed Google Scholar

  • 17.

    Suzuki T, Yoshimura H, Ehira S, Ikeuchi M, Ohmori M: AnCrpA, рецепторный белок цАМФ, регулирует экспрессию генов, связанных с nif, в цианобактериях Anabaena sp. штамм PCC 7120, выращенный с нитратом. FEBS Lett 2007, 581 (1): 21–28.

    CAS Статья PubMed Google Scholar

  • 18.

    Варга G, Su C: Классификация и прогнозирующее моделирование элементов ответа рецептора X печени. BioDrugs 2007, 21 (2): 117–124.

    CAS Статья PubMed Google Scholar

  • 19.

    Conkright MD, Guzman E, Flechner L, Su AI, Hogenesch JB, Montminy M: Полногеномный анализ генов-мишеней CREB выявляет потребность в основных промоторах для чувствительности цАМФ. Mol Cell 2003, 11 (4): 1101–1108.

    CAS Статья PubMed Google Scholar

  • 20.

    Stegmaier P, Kel AE, Wingender E: Систематическая классификация ДНК-связывающих доменов факторов транскрипции. Genome Inform 2004, 15 (2): 276–286.

    CAS PubMed Google Scholar

  • 21.

    Фрит М.К., Хансен У., Вен З. Обнаружение кластеров цис-элементов в ДНК высших эукариот. Биоинформатика 2001, 17 (10): 878–889.

    CAS Статья PubMed Google Scholar

  • 22.

    Rajewsky N, Vergassola M, Gaul U, Siggia ED: Компьютерное определение геномных цис-регуляторных модулей, применяемых для формирования паттерна тела у ранних эмбрионов дрозофилы. BMC Bioinformatics 2002, 3:30

    PubMed Central Статья PubMed Google Scholar

  • 23.

    Sinha S, van Nimwegen E, Siggia ED: вероятностный метод обнаружения регулирующих модулей. Биоинформатика 2003, 19 (Приложение 1): i292–301.

    Артикул PubMed Google Scholar

  • 24.

    Frith MC, Spouge JL, Hansen U, Weng Z: Статистическая значимость кластеров мотивов, представленных позиционно-специфическими матрицами оценки в нуклеотидных последовательностях. Nucleic Acids Res 2002, 30 (14): 3214–3224.

    PubMed Central CAS Статья PubMed Google Scholar

  • 25.

    Гранди В.Н., Бейли Т.Л., Элкан С.П., Бейкер М.Э .: Мета-цМемы: скрытые марковские модели семейств белков на основе мотивов. Comput Appl Biosci 1997, 13 (4): 397-406.

    CAS PubMed Google Scholar

  • 26.

    Bailey TL, Noble WS: поиск статистически значимых регулирующих модулей. Bioinformatics 2003, 19 (Suppl 2): ​​ii16-25.

    Артикул PubMed Google Scholar

  • 27.

    Siepel A, Bejerano G, Pedersen JS, Hinrichs AS, Hou M, Rosenbloom K, Clawson H, Spieth J, Hillier LW, Richards S, et al .: эволюционно сохраненные элементы у позвоночных, насекомых, геномы червя и дрожжей. Genome Res 2005, 15 (8): 1034–1050.

    PubMed Central CAS Статья PubMed Google Scholar

  • 28.

    Emberly E, Rajewsky N, Siggia ED: Сохранение регуляторных элементов между двумя видами Drosophila. BMC Bioinformatics 2003, 4: 57.

    PubMed Central Статья PubMed Google Scholar

  • 29.

    Чжоу К., Вонг WH: Соединение скрытых марковских моделей для открытия цис-регуляторных модулей у многих видов. Анналы прикладной статистики 2007, 1 (1): 36–65.

    Артикул Google Scholar

  • 30.

    Siepel A, Haussler D: Объединение филогенетических и скрытых марковских моделей в анализе биопоследовательностей. J Comput Biol 2004, 11 (2–3): 413–428.

    CAS Статья PubMed Google Scholar

  • 31.

    Wong WS, Nielsen R: Поиск цис-регуляторных модулей у Drosophila с использованием филогенетических скрытых марковских моделей. Биоинформатика 2007, 23 (16): 2031–2037.

    CAS Статья PubMed Google Scholar

  • 32.

    Линнелл Дж, Мотт Р., Филд С., Квятковски Д.П., Рагусси Дж., Удалова И.А.: Количественный высокопроизводительный анализ специфичности связывания факторов транскрипции. Nucleic Acids Res 2004, 32 (4): e44.

    PubMed Central Статья PubMed Google Scholar

  • 33.

    Nijnik A, Mott R, Kwiatkowski DP, Udalova IA: Сравнение точной специфичности связывания ДНК NF-kappaB p50 и p52 с использованием анализа основных координат. Nucleic Acids Res 2003, 31 (5): 1497–1501.

    PubMed Central CAS Статья PubMed Google Scholar

  • 34.

    Удалова И.А., Мотт Р., Филд Д., Квятковски Д.: Количественное прогнозирование взаимодействий ДНК-белок NF-каппа B. Proc Natl Acad Sci USA 2002, 99 (12): 8167–8172.

    PubMed Central CAS Статья PubMed Google Scholar

  • 35.

    Rabiner LR: Учебное пособие по скрытым марковским моделям и избранным приложениям в распознавании речи. Proc IEEE 1989, 77 (2): 257–286.

    Артикул Google Scholar

  • 36.

    Gupta N, Delrow J, Drawid A, Sengupta AM, Fan G, Gelinas C: Репрессия B-клеточного линкера (BLNK) и адаптера B-клеток для фосфоинозитид-3-киназы (BCAP) важна для лимфоцитов. трансформация белками rel. Cancer Res 2008, 68 (3): 808–814.

    PubMed Central CAS Статья PubMed Google Scholar

  • 37.

    Pahl HL: Активаторы и гены-мишени факторов транскрипции Rel / NF-kappaB. Онкоген 1999, 18 (49): 6853–6866.

    CAS Статья PubMed Google Scholar

  • 38.

    Rel / NF-kB Transcription Factors [http://www.nf-kb.org]

  • 39.

    Dutta J, Fan Y, Gupta N, Fan G, Gelinas C: Текущее понимание регуляция запрограммированной гибели клеток с помощью NF-kappaB. Онкоген 2006, 25 (51): 6800–6816.

    CAS Статья PubMed Google Scholar

  • 40.

    Kucharczak J, Simmons MJ, Fan Y, Gelinas C: Быть или не быть: NF-kappaB — это ответ — роль Rel / NF-kappaB в регуляции апоптоза. Онкоген 2003, 22 (56): 8961–8982.

    CAS Статья PubMed Google Scholar

  • 41.

    Brummelkamp TR, Nijman SM, Dirac AM, Bernards R: Потеря опухолевого супрессора цилиндроматоза ингибирует апоптоз путем активации NF-kappaB. Nature 2003, 424 (6950): 797–801.

    CAS Статья PubMed Google Scholar

  • 42.

    Коваленко А., Чабл-Бессия С., Кантарелла Г., Израиль А., Уоллах Д., Куртуа Г.: Супрессор опухоли CYLD отрицательно регулирует передачу сигналов NF-kappaB путем деубиквитинирования. Nature 2003, 424 (6950): 801–805.

    CAS Статья PubMed Google Scholar

  • 43.

    Krikos A, Laherty CD, Dixit VM: Транскрипционная активация альфа-индуцируемого белка цинкового пальца, индуцируемого фактором некроза опухоли, A20, опосредуется элементами каппа B. J Biol Chem 1992, 267 (25): 17971–17976.

    CAS PubMed Google Scholar

  • 44.

    Trompouki E, Hatzivassiliou E, Tsichritzis T, Farmer H, Ashworth A, Mosialos G: CYLD представляет собой деубиквитинирующий фермент, который негативно регулирует активацию NF-kappaB членами семейства TNFR. Nature 2003, 424 (6950): 793–796.

    CAS Статья PubMed Google Scholar

  • 45.

    Marques L, Brucet M, Lloberas J, Celada A: STAT1 регулирует липополисахарид- и TNF-альфа-зависимую экспрессию транспортера, связанного с процессингом антигена 1 и генов низкомолекулярного полипептида 2 в макрофагах с помощью различных механизмов. J Immunol 2004, 173 (2): 1103–1110.

    CAS Статья PubMed Google Scholar

  • 46.

    Ossendorp F, Fu N, Camps M, Granucci F, Gobin SJ, Elsen PJ, Schuurhuis D, Adema GJ, Lipford GB, Chiba T, и др. .: Дифференциальная регуляция экспрессии альфа- и бета-субъединиц протеасомы PA28 активатор в зрелых дендритных клетках. J Immunol 2005, 174 (12): 7815–7822.

    CAS Статья PubMed Google Scholar

  • 47.

    Райт К.Л., Уайт Л.К., Келли А., Бек С., Троусдейл Дж., Тинг Дж. П. Координированная регуляция генов TAP1 и LMP2 человека от общего двунаправленного промотора. J Exp Med 1995, 181 (4): 1459–1471.

    CAS Статья PubMed Google Scholar

  • 48.

    Картер К.Л., Кэхир-МакФарланд Е., Кифф Е.: Изменения экспрессии генов В-лимфоцитов, вызванные вирусом Эпштейна-Барра. J Virol 2002, 76 (20): 10427–10436.

    PubMed Central CAS Статья PubMed Google Scholar

  • 49.

    Fong A, Sun SC: генетические доказательства важной роли белка, содержащего повторы бета-трансдуцина, в индуцибельном процессинге NF-каппа B2 / p100. J Biol Chem 2002, 277 (25): 22111–22114.

    CAS Статья PubMed Google Scholar

  • 50.

    Orian A, Gonen H, Bercovich B, Fajerman I, Eytan E, Israel A, Mercurio F, Iwai K, Schwartz AL, Ciechanover A: SCF (beta) (- TrCP) обработка убиквитин-лигазой NF-kappaB p105 требует фосфорилирования своего C-конца киназой IkappaB. Embo J 2000, 19 (11): 2580–2591.

    PubMed Central CAS Статья PubMed Google Scholar

  • 51.

    Osipo C, Golde TE, Osborne BA, Miele LA: В глуши: сложные перекрестные помехи между Notch и NF-kappaB. Lab Invest 2008, 88 (1): 11–17.

    CAS Статья PubMed Google Scholar

  • 52.

    Moran ST, Cariappa A, Liu H, Muir B, Sgroi D, Boboila C, Pillai S: синергизм между NF-каппа B1 / p50 и Notch3 во время развития лимфоцитов маргинальной зоны. J Immunol 2007, 179 (1): 195–200.

    CAS Статья PubMed Google Scholar

  • 53.

    Bash J, Zong WX, Banga S, Rivera A, Ballard DW, Ron Y, Gelinas C: Rel / NF-kappaB может запускать сигнальный путь Notch, индуцируя экспрессию Jagged1, лиганда рецепторов Notch . Embo J 1999, 18 (10): 2803–2811.

    PubMed Central CAS Статья PubMed Google Scholar

  • 54.

    Кэмпбелл К.Дж., Роча С., Перкинс Н.Д.: Активное подавление экспрессии антиапоптотических генов с помощью RelA (p65) NF-kappa B. Mol Cell 2004, 13 (6): 853–865.

    CAS Статья PubMed Google Scholar

  • 55.

    Majid SM, Liss AS, You M, Bose HR: Подавление Sh4BGRL важно для v-Rel-опосредованной трансформации. Онкоген 2006, 25 (5): 756–768.

    CAS Статья PubMed Google Scholar

  • 56.

    Ся К., Ху Дж., Кеттерер Б., Тейлор Дж. Б.: Организация промотора гена GSTP1–1 человека и его ответ на ретиноевую кислоту и окислительно-восстановительный статус клеток. Biochem J 1996, 313 (Pt 1): 155–161.

    PubMed Central CAS Статья PubMed Google Scholar

  • 57.

    Yang N, Huang J, Greshock J, Liang S, Barchetti A, Hasegawa K, Kim S, Giannakakis A, Li C, O’Brien-Jenkins A, et al .: Транскрипционная регуляция PIK3CA онкоген NF-kappaB в микросреде рака яичников. PLoS ONE 2008, 3 (3): e1758.

    PubMed Central Статья PubMed Google Scholar

  • 58.

    Jang SW, Kim YS, Kim YR, Sung HJ, Ko J: Регулирование экспрессии LZIP человека с помощью NF-kappaB и его участие в миграции клеток моноцитов, индуцированной Lkn-1. J Biol Chem 2007, 282 (15): 11092–11100.

    CAS Статья PubMed Google Scholar

  • 59.

    Heese K, Inoue N, Sawada T: NF-kappaB регулирует экспрессию фактора роста нервов, полученного из В-клеток. Cell Mol Immunol 2006, 3 (1): 63–66.

    CAS PubMed Google Scholar

  • 60.

    Boersma MC, Meffert MK: Новые роли сигнального пути NF-kappaB в регуляции функции нейронов. Sci Signal 2008, 1 (6): pe7.

    Артикул PubMed Google Scholar

  • 61.

    Mattson MP, Meffert MK: Роли NF-kappaB в выживании, пластичности и болезнях нервных клеток. Cell Death Differ 2006, 13 (5): 852–860.

    CAS Статья PubMed Google Scholar

  • 62.

    Xie X, Mikkelsen TS, Gnirke A, Lindblad-Toh K, Kellis M, Lander ES: систематическое открытие регуляторных мотивов в консервативных областях генома человека, включая тысячи сайтов инсуляторов CTCF. Proc Natl Acad Sci USA 2007, 104 (17): 7145–7150.

    PubMed Central CAS Статья PubMed Google Scholar

  • 63.

    Ballard DW, Walker WH, Doerre S, Sista P, Molitor JA, Dixon EP, Peffer NJ, Hannink M, Greene WC: онкоген v-rel кодирует белок, связывающий энхансер каппа B, который ингибирует NF-каппа. Функция B. Cell 1990, 63 (4): 803–814.

    CAS Статья PubMed Google Scholar

  • 64.

    Ganchi PA, Sun SC, Greene WC, Ballard DW: I каппа B / MAD-3 маскирует сигнал ядерной локализации NF-каппа B p65 и требует домена трансактивации для ингибирования связывания ДНК NF-kappa B p65. Mol Biol Cell 1992, 3 (12): 1339–1352.

    PubMed Central CAS Статья PubMed Google Scholar

  • 65.

    Walker WH, Stein B, Ganchi PA, Hoffman JA, Kaufman PA, Ballard DW, Hannink M, Greene WC: Онкоген v-rel: понимание механизма активации, репрессии и трансформации транскрипции. J Virol 1992, 66 (8): 5018-5029.

    PubMed Central CAS PubMed Google Scholar

  • 66.

    Doerre S, Sista P, Sun SC, Ballard DW, Greene WC: продукт протоонкогена c-rel репрессирует опосредованную NF-kappa B p65 транскрипционную активацию длинного концевого повтора вируса иммунодефицита человека 1 типа. Proc Natl Acad Sci USA 1993, 90 (3): 1023–1027.

    PubMed Central CAS Статья PubMed Google Scholar

  • 67.

    Карин М: Как активируется NF-kappaB: роль комплекса киназы IkappaB (IKK). Онкоген 1999, 18 (49): 6867–6874.

    CAS Статья PubMed Google Scholar

  • 68.

    Карин М., Бен-Нерия Y: Фосфорилирование встречается с убиквитинированием: контроль активности NF- [каппа] B. Annu Rev Immunol 2000, 18: 621–663.

    CAS Статья PubMed Google Scholar

  • 69.

    Карин М., Лин А: NF-kappaB на перекрестке жизни и смерти. Nat Immunol 2002, 3 (3): 221–227.

    CAS Статья PubMed Google Scholar

  • 70.

    Rocha S, Martin AM, Meek DW, Perkins ND: p53 репрессирует транскрипцию циклина D1 посредством понижающей регуляции Bcl-3 и индуцирования повышенной ассоциации субъединицы p52 NF-kappaB с гистондеацетилазой 1. Mol Cell Biol. 2003, 23 (13): 4713–4727.

    PubMed Central CAS Статья PubMed Google Scholar

  • 71.

    Ghosh S, May MJ, Kopp EB: NF-kappa B и Rel белки: эволюционно консервативные медиаторы иммунных ответов. Annu Rev Immunol 1998, 16: 225–260.

    CAS Статья PubMed Google Scholar

  • 72.

    Чиао П.Дж., Миямото С., Верма И.М.: Ауторегуляция активности I каппа B альфа. Proc Natl Acad Sci USA 1994, 91 (1): 28–32.

    PubMed Central CAS Статья PubMed Google Scholar

  • 73.

    Scott ML, Fujita T, Liou HC, Nolan GP, ​​Baltimore D: субъединица p65 NF-каппа B регулирует I каппа B двумя различными механизмами. Genes Dev 1993, 7 (7A): 1266–1276.

    CAS Статья PubMed Google Scholar

  • 74.

    Sun SC, Ganchi PA, Ballard DW, Greene WC: NF-каппа B контролирует экспрессию ингибитора I каппа B альфа: доказательства индуцибельного ауторегуляторного пути. Наука 1993, 259 (5103): 1912–1915.

    CAS Статья PubMed Google Scholar

  • 75.

    Fan Y, Dutta J, Gupta N, Fan G, Gelinas C: Регулирование запрограммированной гибели клеток с помощью NF-kappaB и его роль в онкогенезе и терапии. Adv Exp Med Biol 2008, 615: 223–250.

    CAS Статья PubMed Google Scholar

  • 76.

    Баккар Н., Ван Дж., Ладнер К.Дж., Ван Х., Дальман Дж. М., Каратерс М., Ачарья С., Рудницки М.А., Холленбах А.Д., Гаттридж Д.К.: IKK / NF-kappaB регулирует миогенез скелета с помощью переключателя передачи сигналов дифференциации и способствовать биогенезу митохондрий. J Cell Biol 2008, 180 (4): 787–802.

    PubMed Central CAS Статья PubMed Google Scholar

  • 77.

    Бассерес Д.С., Болдуин А.С.: Ядерный фактор-каппаВ и ингибитор путей каппаВ-киназы в онкогенном инициировании и прогрессировании. Онкоген 2006, 25 (51): 6817–6830.

    CAS Статья PubMed Google Scholar

  • 78.

    Hayden MS, West AP, Ghosh S: NF-kappaB и иммунный ответ. Онкоген 2006, 25 (51): 6758–6780.

    CAS Статья PubMed Google Scholar

  • 79.

    Memet S: функции NF-kappaB в нервной системе: от развития до болезни. Biochem Pharmacol 2006, 72 (9): 1180–1195.

    CAS Статья PubMed Google Scholar

  • 80.

    ван Нимвеген E: Поиск регуляторных элементов и регуляторных мотивов: общая вероятностная основа. BMC Bioinformatics 2007, 8 (Приложение 6): S4.

    PubMed Central Статья PubMed Google Scholar

  • 81.

    Kunsch C, Ruben SM, Rosen CA: Выбор оптимальных ДНК-связывающих мотивов каппа B / Rel: для активации транскрипции требуется взаимодействие обеих субъединиц NF-каппа B с ДНК. Mol Cell Biol 1992, 12 (10): 4412–4421.

    PubMed Central CAS Статья PubMed Google Scholar

  • 82.

    Schreck R, Zorbas H, Winnacker EL, Baeuerle PA: Фактор транскрипции NF-каппа B индуцирует изгибание ДНК, которое модулируется его субъединицей 65 кДа. Nucleic Acids Res 1990, 18 (22): 6497-6502.

    PubMed Central CAS Статья PubMed Google Scholar

  • 83.

    Urban MB, Baeuerle PA: Роль субъединиц p50 и p65 NF-каппа B в распознавании родственных последовательностей. New Biol 1991, 3 (3): 279–288.

    CAS PubMed Google Scholar

  • 84.

    Zabel U, Schreck R, Baeuerle PA: связывание ДНК очищенного фактора транскрипции NF-kappa B.Аффинность, специфичность, зависимость от Zn2 + и дифференциальное распознавание половин сайта. J Biol Chem 1991, 266 (1): 252–260.

    CAS PubMed Google Scholar

  • 85.

    Прюитт К.Д., Татусова Т., Маглотт Д.Р.: Контрольные последовательности NCBI (RefSeq): тщательно подобранная база данных неизбыточных последовательностей геномов, транскриптов и белков. Nucleic Acids Res 2007, (база данных 35): D61–65.

  • 86.

    Lander ES, Linton LM, Birren B, Nusbaum C, Zody MC, Baldwin J, Devon K, Dewar K, Doyle M, FitzHugh W, et al .: Начальная последовательность и анализ человеческого генома. Nature 2001, 409 (6822): 860–921.

    CAS Статья PubMed Google Scholar

  • 87.

    Карольчик Д., Хинрихс А.С., Фьюри Т.С., Роскин К.М., Сугнет К.В., Хаусслер Д., Кент В.Дж.: средство поиска данных в браузере таблиц UCSC. Nucleic Acids Res 2004, 32: D493–496.

    PubMed Central CAS Статья PubMed Google Scholar

  • 88.

    Алпайдин E: Введение в машинное обучение. Кембридж, Массачусетс: MIT Press; 2004.

    Google Scholar

  • 89.

    Hoffmann A, Leung TH, Baltimore D: Генетический анализ факторов транскрипции NF-kappaB / Rel определяет функциональную специфичность. Embo J 2003, 22 (20): 5530–5539.

    PubMed Central CAS Статья PubMed Google Scholar

  • 90.

    Чжоу А., Скоггин С., Гейнор Р. Б., Уильямс Н. С.: Идентификация генов, регулируемых NF-каппа B, индуцированных TNF-альфа, с использованием профилей экспрессии и РНК-интерференции. Онкоген 2003, 22 (13): 2054–2064.

    CAS Статья PubMed Google Scholar

  • 91.

    Hubbard TJ, Aken BL, Beal K, Ballester B, Caccamo M, Chen Y, Clarke L, Coates G, Cunningham F, Cutts T, et al. .: Ensembl 2007. Nucleic Acids Res 2007, (база данных 35): D610–617.

  • 92.

    Sherman BT, Huang da W, Tan Q, Guo Y, Bour S, Liu D, Stephens R, Baseler MW, Lane HC, Lempicki RA: База знаний DAVID: геноцентрированная база данных, объединяющая ресурсы аннотации гетерогенных генов для облегчения функционального анализа генов с высокой пропускной способностью. BMC Bioinformatics 2007, 8: 426.

    PubMed Central Статья PubMed Google Scholar

  • 93.

    Хуанг да В., Шерман Б.Т., Тан Кью, Кир Дж., Лю Д., Брайант Д., Гуо И, Стивенс Р., Баселер М.В., Лейн ХК, и др. .: DAVID Bioinformatics Resources: расширенная база данных аннотаций и новые алгоритмы для лучшего извлечения биологии из больших списков генов. Nucleic Acids Res 2007, (веб-сервер 35): W169–175.

  • 94.

    Деннис Дж. Младший, Шерман Б.Т., Хосак Д.А., Ян Дж., Гао В., Лейн Х.С., Лемпицки Р.А.: ДЭВИД: База данных для аннотаций, визуализации и интегрированных открытий. Genome Biol 2003, 4 (5): P3.

    Артикул PubMed Google Scholar

  • 95.

    Schneider TD, Stephens RM: Логотипы последовательностей: новый способ отображения согласованных последовательностей. Nucleic Acids Res 1990, 18 (20): 6097-6100.

    PubMed Central CAS Статья PubMed Google Scholar

  • 96.

    Fan Y, Rayet B, Gelinas C: Дивергентные C-концевые домены трансактивации белков Rel / NF-каппа B являются критическими детерминантами их онкогенного потенциала в лимфоцитах. Онкоген 2004, 23 (5): 1030–1042.

    CAS Статья PubMed Google Scholar

  • Тысяча транскриптомов растений и филогеномика зеленых растений

  • Кафедра биологии растений, Университет Джорджии, Афины, Джорджия, США

    Джеймс Х. Либенс-Мак, Алекс Харкесс, Каролина Хейдук, Джоэл Р. МакНил, Дорсет Трапнелл и Сараванарадж Айямпалаям

  • Департамент экологии и эволюционной биологии, Университет Аризоны, Тусон, Аризона, США

    Майкл С.Баркер, Чжэн Ли, Нильс Арриго, Энтони Э. Баниага, Салли Галуска, Томас И. Киддер, Патрисия Лу-Ирвинг, Ханна Э. Маркс, Синшуай Ци, Крис Р. Рирдон, Бриттани Л. Сазерленд и Шана Р. Уэллс

  • Департамент биологических наук, Университет Альберты, Эдмонтон, Альберта, Канада

    Эрик Дж. Карпентер и Гейн Ка-Шу Вонг

  • Департамент биологии, Университет Британской Колумбии Оканаган, Келоуна, Британская Колумбия, Канада

    Майкл К.Дейхолос

  • Департамент биологии, Университет Флориды, Гейнсвилл, Флорида, США

    Мэтью А. Гитценнер, Ингрид Э. Джордон-Таден, Джеймс Майк Хини, Ричард Дж. Дж. Ходел, Евгений Мавродиев, Стейн Сервик и Эмили Б. Сесса

  • Флоридский музей естественной истории, Университет Флориды, Гейнсвилл, Флорида, США

    Мэтью А. Гитценнер, Дуглас Э. Солтис, Памела С. Солтис, Ингрид Э. Джордон-Таден, Грант Т. Годден, Джеймс Майк Хини, Ричард Г.Дж. Ходел и Евгений Мавродиев

  • Кафедра ботаники, Университет Британской Колумбии, Ванкувер, Британская Колумбия, Канада

    Шон В. Грэм, Стив Джойя, Ин Чанг, Шона Эллис, Вивьенн Лам, Мойра Скаскителла и Куили Чжуанг

  • Немецкий центр интегративных исследований биоразнообразия (iDiv), Галле-Йена-Лейпциг, Германия

    Иво Гроссе

  • Ботанический институт Кельнского университета, Кельн, Германия

    Майкл Мелконян, Барбара Мелконян, Зехрава Фаст, Николь Фея, Розвита Ленц, Ева-Мари Шлёссер и Хельга Тибель

  • Кафедра электротехники и вычислительной техники, Калифорнийский университет, Сан-Диего, Сан-Диего, Калифорния, США

    Сиаваш Мирараб и Эрфан Сайяри

  • Институт компьютерных наук, Университет Мартина Лютера Галле-Виттенберг, Галле (Заале), Германия

    Иво Гросс и Мартин Порш

  • Institut e) сельскохозяйственных наук и наук о питании, Университет Мартина Лютера Галле-Виттенберг, Галле (Заале), Германия

    Марсель Квинт

  • Центр исследований биологических сигналов BIOSS, Университет Фрайбурга, Фрайбург, Германия

    Стефан А.Ренсинг

  • Биология клетки растений, факультет биологии Марбургского университета, Марбург, Германия

    Стефан А. Ренсинг

  • Институт биоразнообразия UF и Институт генетики UF Университета Флориды, Гейнсвилл, Флорида, США

    Дуглас Э. Солтис и Памела С. Солтис

  • Нью-Йоркский ботанический сад, Нью-Йорк, Нью-Йорк, США

    Деннис В. Стивенсон и Лиза ДеЖиронимо

  • Отдел эволюционной генетики, Институт эволюционной биологии Макса Планка, Плён , Германия

    Кристиан К.Ullrich

  • Институт науки и действий по сохранению растений Негауни, Ботанический сад Чикаго, Гленко, Иллинойс, США

    Норман Дж. Викетт

  • Программа по биологии и сохранению растений, Северо-Западный университет, Эванстон, Иллинойс, США

    Норман Дж. Викетт

  • Департамент садоводства, Университет штата Мичиган, Ист-Лансинг, штат Мичиган, США

    Патрик П. Эджер

  • Департамент ботаники, Университет Висконсин-Мэдисон, Мэдисон, Висконсин, США

    Ингрид Э.Джордон-Таден

  • Океанский университет Китая, Циндао, Китай

    Тао Лю

  • Департамент биологических наук, Университет Северного Техаса, Дентон, Техас, США

    Николас У. Майлз

  • Центр исследований Биотехнология и геномика растений (CBGP, UPM-INIA), Мадрид, Испания

    Lisa Pokorny

  • Департамент биоразнообразия и сохранения, Real Jardín Botánico (RJB-CSIC), Мадрид, Испания

    Lisa Pokorny

  • Лаборатория, Королевский ботанический сад, Кью, Лондон, Великобритания

    Лиза Покорный и Марк В.Чейз

  • Школа морских наук, Университет штата Мэн, Ороно, штат Мэн, США

    Шарлотта Куигли

  • Королевский ботанический сад Эдинбург, Эдинбург, Великобритания

    Филип Томас, Питер М. Холлингсворт и Маркус

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

    Хуан Карлос Вильярреал

  • Научный центр Дональда Данфорта, Сент-Луис, Миссури, США

    Меган М.Августин, Алекс Харкесс, Элизабет А. Келлог и Тони М. Кутчан

  • Школа биологических наук, Университет Западной Австралии, Перт, Западная Австралия, Австралия

    Мэтью Д. Барретт, Патрик М. Финнеган, Рикарда Джост и Энн Смитсон

  • Королевский парк и ботанический сад, Департамент биоразнообразия, охраны природы и достопримечательностей, Перт, Западная Австралия, Австралия

    Мэтью Д. Барретт

  • Австралийский тропический гербарий, Университет Джеймса Кука, Кэрнс, Квинсленд, Австралия

    Мэтью Д.Барретт

  • Департамент экологии и эволюционной биологии, Мичиганский университет, Анн-Арбор, штат Мичиган, США

    Регина С. Бауком, Ричард Дж. Дж. Ходел и Ханна Э. Маркс

  • Департамент наук о животных и растениях Университета Шеффилд, Шеффилд, Великобритания

    Дэвид Дж. Бирлинг

  • Научный центр растений Умео, Университет Умео, Умео, Швеция

    Рубен Максимилиан Бенштейн

  • Австралийский центр эволюционной биологии и биоразнообразия, Школа Института биоразнообразия Наука об окружающей среде, Университет Аделаиды, Аделаида, Южная Австралия, Австралия

    Эд Биффин

  • Департамент наук о растениях, Кембриджский университет, Кембридж, Великобритания

    Сэмюэл Ф.Брокингтон, Сара Ковшофф, Джулиан М. Хибберд, Елена Казамиа и Элисон Г. Смит

  • Королевский ботанический сад Сидней, Сидней, Новый Южный Уэльс, Австралия

    Дилан О. Бердж

  • Департамент наук о растениях Университета им. Теннесси, Ноксвилл, Теннесси, США

    Джейсон Н. Беррис, Келли П. Беррис, Блейк Джойс, Янхуи Пенг и К. Нил Стюарт младший

  • Центр сельскохозяйственной синтетической биологии, Университет Теннесси, Ноксвилл, Теннесси, США

    Джейсон Н.Burris & C. Neal Stewart Jr

  • Департамент пищевых наук, Университет Теннесси, Ноксвилл, Теннесси, США

    Джейсон Н. Беррис

  • Департамент пищевых продуктов, биотехнологии и питания, Государственный университет Северной Каролины, Роли , Северная Каролина, США

    Келли П. Беррис

  • Институт точных и прикладных наук, Университет Новой Каледонии, Нумеа, Новая Каледония

    Валери Бертет-Сарраменья, Бруно Фоглиани, Матье Виллехенте и Адриен С.Вульф

  • Департамент биологии Массачусетского университета, Амхерст, Массачусетс, США

    Ана Л. Кайседо

  • Служба сельскохозяйственных исследований Министерства сельского хозяйства США, Отдел исследований кукурузных насекомых и генетики сельскохозяйственных культур, Эймс, Айова, США

    Стивен Б. Кэннон

  • Кафедра ботаники и патологии растений, Государственный университет Орегона, Корваллис, штат Орегон, США

    Ин Чанг

  • Кафедра молекулярной биологии и биотехнологии, Университет Шеффилда, Шеффилд, Великобритания

    Каспар Чейтер

    Каспар Чейтер

  • Департамент биологии растений, Иллинойский университет, Урбана-Шампейн, Урбана, Иллинойс, США

    Джон М.Cheeseman

  • Ботанический сад Fairy Lake, Китайская академия наук, Шэньчжэнь, Китай

    Tao Chen

  • Yale-NUS College, Singapore, Republic of Singapore

    Neil D. Clarke

  • School of Molecular Sciences , Университет Западной Австралии, Перт, Западная Австралия, Австралия

    Хармони Клейтон и Марта Людвиг

  • Кафедра биологии растений, Университет Южного Иллинойса, Карбондейл, Иллинойс, США

    Барбара Дж.Crandall-Stotler

  • Кафедра анатомии, Университет Отаго, Данидин, Новая Зеландия

    Хью Кросс

  • Биологический факультет, Университет штата Пенсильвания, Юниверсити Парк, Пенсильвания, США

    Клод В. де Памфилис, Паула Ральф и Эрик К. Вафула

  • Департамент биологических наук Калифорнийского государственного университета Фуллертон, Фуллертон, Калифорния, США

    Джошуа П. Дер

  • Ботанический сад Атланты, Атланта, Джорджия, США

    Рон Детерманн и Майкл Венцель

  • Университет Мэсси, Школа фундаментальных наук, Палмерстон-Норт, Новая Зеландия

    Роуэн К.Диксон и Дженнифер А. Тейт

  • Департамент биологии Вашингтонского университета, Сиэтл, Вашингтон, США

    Вероника С. Ди Стилио

  • Центр наук о растениях, факультет биологических наук, Университет Лидса, Лидс, Великобритания

    Кэти Дж. Филд

  • Департамент наук о растениях, Оксфордский университет, Оксфорд, Великобритания

    Дмитрий А. Филатов

  • Школа биологических наук, Университет Монаш, Мельбурн, Виктория, Австралия

    Сандра К. .Floyd

  • Institut Agronomique néo-Calédonien (IAC), Equipe ARBOREAL, Païta, New Caledonia

    Bruno Fogliani, Gildas Gâteblé & Adrien S. de Chile, Santiago, Chile

    Nicolás García

  • Институт генома Сингапура, Сингапур, Сингапур

    Falicia (Qi Yun) Goh

  • Институт физиологии молекулярных растений Макса Планка, Потсдам-Гольм

    , Германия Грейнер

  • Биологические науки, Колледж наук о жизни и окружающей среде, Эксетерский университет, Эксетер, Великобритания

    Кэтрин Э.Helliwell

  • Морская биологическая ассоциация, Лаборатория, Плимут, Великобритания

    Кэтрин Э. Хеллиуэлл

  • Департамент экологии и эволюционной биологии Йельского университета, Нью-Хейвен, Коннектикут, США

    Karolina Heyduk 90

  • биологии, Университет Торонто-Миссиссога, Миссиссауга, Онтарио, Канада

    Марк Т.Дж. Джонсон

  • Школа естественных наук, Университет Ла Троб, Бандура, Виктория, Австралия

    Рикарда Йост

  • CyVerse Institute, BIO из Аризоны, Тусон, Аризона, США

    Блейк Джойс и Рамона Л.Walls

  • Школа естественных и экологических наук, Университет Ньюкасла, Ньюкасл-апон-Тайн, Великобритания

    Максим В. Капралов

  • Университет Миссури, Сент-Луис, Сент-Луис, Миссури, США

    Элизабет А. Келлог

  • Центр органических исследований Гейдельберга, Департамент биоразнообразия и систематики растений, Ботанический сад и гербарий Гейдельберга, Гейдельбергский университет, Гейдельберг, Германия

    Маркус А. Кох

  • Полевой музей, Чикаго, Иллинойс, США

    Мэтт фон Конрат

  • Royal Horticultural Society Garden Wisley, Woking, UK

    Kálmán Könyves

  • Гербарий Университета Рединга, Школа биологических наук, Университет Рединга, Рединг, Великобритания

    Kánymes фармацевтических биологических наук, Уппсальский университет, Упсала, Швеция

    Андерс Ларссон

    904 06
  • Школа биологических и химических наук, Лондонский университет Королевы Марии, Лондон, Великобритания

    Эндрю Р.Leitch

  • Институт Бойса Томпсона, Корнельский университет, Итака, Нью-Йорк, США

    Фэй-Вей Ли

  • Институт окружающей среды, Школа биологических наук, Университет Аделаиды, Аделаида, Южная Австралия, Австралия

    Эндрю Дж. Лоу

  • Департамент биологии, Университет Дьюка, Дарем, Северная Каролина, США

    Пол С. Манос, А. Джонатан Шоу, Карл Дж. Ротфельс и Джордж П. Тили

  • Смитсоновский центр экологических исследований, Эджуотер, Мэриленд , США

    Мелисса К.McCormick & Dennis F. Whigham

  • Департамент биологических наук, Университет Алабамы, Таскалуса, Алабама, США

    Майкл Маккейн

  • Школа молекулярной и клеточной биологии, Университет Витватерсранда, Йоханнесбург, Южная Африка

    Трейси МакЛеллан

  • Департамент экологии, эволюции и биологии организмов, Государственный университет Кеннесо, Кеннесо, Джорджия, США

    Джоэл Р. МакНил

  • Институт разнообразия цветов, Арвада, Колорадо, США

    Ричард Э.Миллер

  • CSIRO Agriculture and Food, Перт, Западная Австралия, Австралия

    Мэтью Н. Нельсон

  • Millennium Seed Bank, Wakehurst, Royal Botanic Gardens, Кью, Ардингли, Великобритания

    Мэтью

  • Нельсон

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

    Мэтью Н. Нельсон

  • Центры по контролю и профилактике заболеваний, Атланта, Джорджия, США

    Янхуи Пенг

  • Департамент первичной промышленности и регионального развития, Перт, Западная Австралия, Австралия

    Daniel Real

  • Департамент растениеводства, Иллинойсский университет в Урбана-Шампейн, Урбана, Иллинойс, США

    Chance W.Риггинс

  • Департамент экологии и эволюционной биологии, Университет Торонто, Онтарио, Канада

    Роуэн Ф. Сейдж и Джон Р. Стинчкомб

  • Департамент экологии и эволюционной биологии Калифорнийского университета, Ирвин, Ирвин, Калифорния, США

    Энн К. Сакаи и Стивен Г. Веллер

  • Департамент экологии и эволюционной биологии, Университет Теннесси, Ноксвилл, Теннесси, США

    Эдвард Э. Шиллинг

  • Департамент биологии растений и микробов , Университет штата Северная Каролина, Роли, Северная Каролина, США

    Хайке Седерофф

  • Маноа, Гонолулу, Гавайи, США

    Шейн У.Shaw

  • Биологический факультет Университета Луизианы в Лафайетте, Лафайет, Лос-Анджелес, США

    Эрин М. Сигел

  • Дендрарий Морриса Пенсильванского университета, Филадельфия, Пенсильвания, США

    Cynthia

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

    Джон Р. Стинчкомб

  • Кафедра систематической и эволюционной ботаники, Цюрихский университет, Цюрих, Швейцария

    Питер Шовеньи

  • Тайваньский национальный университет , Институт экологии и эволюционной биологии, Департамент естественных наук, Тайбэй, Тайвань

    Чун-Ненг Ван

  • Систематическая биология, Департамент биологии организмов, Центр эволюционной биологии, Университет Упсалы, Упсала, Швеция

    Stina Weststrand

  • Департамент патологии растений, физиологии и сорных растений, Virginia Tec h, Блэксбург, Вирджиния, США

    Джеймс Х.Вествуд

  • Ключевая лаборатория геномных наук и информации CAS, Пекинская ключевая лаборатория геномных и точных медицинских технологий, Пекинский институт геномики Китайской академии наук, Пекин, Китай

    Шуансю Ву и Цзюнь Юй

  • Ключевая лаборатория сельскохозяйственных биологических функциональных генов, Северо-восточный сельскохозяйственный университет, Харбин, Китай

    Yu Yang

  • Колледж наук о жизни, Сельскохозяйственный университет Циндао, Циндао, Китай

    Дан Чжу

  • Сельское хозяйство и агропродовольствие Канады, Лакомб, Альберта, Канада

    Дженнифер Зуидоф

  • Департамент окружающей среды и сельского хозяйства, Университет Кертина, Бентли, Западная Австралия, Австралия

    Марк У.Чейз

  • Центр наук о жизни Бонда, Отделение биологических наук, Университет Миссури, Колумбия, Миссури, США

    Дж. Крис Пирес

  • Кафедра зоологии, Университет Британской Колумбии, Ванкувер, Британская Колумбия, Канада

    Карл Дж. Ротфельс и Шинг Чжан

  • Гербарий университета и факультет интегративной биологии Калифорнийского университета, Беркли, Беркли, Калифорния, США

    Карл Дж. Ротфельс

  • Пекинский институт геномики — Ухань, Ухань, Китай

    Цуй Чен и Чжицзянь Тиан

  • BGI-Шэньчжэнь, Шэньчжэнь, Китай

    Ли Чен, Цзюаньцзюань Ли, Ран Ли, Ся Ли, Хаорон Лу, Янсян Оу, Сюэмэй Тан, Сяофэн Вэй, Сюнь Юань, Чжиксян Фань Ян, Фэйю Чжоу, Ин Чжу, Юн Чжан и Гане Ка-Шу Вонг

  • Институт сельскохозяйственного генома в Шэньчжэне, Китайская академия сельскохозяйственных наук, Шэньчжэнь, Китай

    Шифэн Ч. eng

  • Huahan Gene, Шэньчжэнь, Китай

    Xiao Sun, Xiaoni Zhong & Yong Zhang

  • MGI, BGI-Shenzhen, Шэньчжэнь, Китай

    Jingbo Tang

  • All Фэн Ван

  • iCarbonX, Шэньчжэнь, Китай

    Джун Ван

  • Ресурсный центр по продвинутым вычислениям Джорджии, Университет Джорджии, Афины, Джорджия, США

    Сараванарадж Айямпалаям

  • Департамент биологических наук Западного Мичигана , Каламазу, штат Мичиган, США

    Тодд Дж.Баркман

  • Департамент компьютерных наук и инженерии, Калифорнийский университет, Сан-Диего, Сан-Диего, Калифорния, США

    Намфуонг Нгуен

  • Институт трансформационной медицины Лоуренса Дж. Эллисона, Университет Южной Калифорнии, Лос-Анджелес Анхелес, Калифорния, США

    Наим Матаски

  • Микробиология, иммунология и биохимия, Центр медицинских наук Университета Теннесси, Мемфис, Теннесси, США

    Дэвид Р. Нельсон

  • Департамент компьютерных наук, Университет Иллинойса , Урбана-Шампейн, Урбана, Иллинойс, США

    Тэнди Варноу

  • Отделение биологических наук, Университет Миссури, Колумбия, Миссури, США

    Гонконг

  • Исследовательские лаборатории Аризоны, Университет Аризоны, Тусон, Аризона, США

    Стейси А.Jorgensen

  • Ключевая лаборатория сохранения и устойчивого использования растительных ресурсов, Южно-Китайский ботанический сад, Китайская академия наук, Гуанчжоу, Китай

    Hanghui Kong

  • Институт исследований цветов, Юньнаньская академия сельскохозяйственных наук, Куньмин, Китай

    Rongpei Yu

  • Департамент генетики, Институт Маттиаса Шлейдена, Йенский университет Фридриха Шиллера, Йена, Германия

    Лидия Грамцов и Гюнтер Тейсен

  • Департамент медицины, Университет Альберты, Канада,

    , Эдмонтон

    Гане Ка-Шу Вонг

  • 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

    Когда первые три подсказки сразу вошли, я начал задаваться вопросом, был ли Дин в удивительно великодушном настроении или (что еще менее вероятно), наконец, совершил ли я прорыв на новый уровень компетентности в моих способностях кроссвординга.Я должен был знать лучше.

    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 {-}

    Через
    1 Группа обучения женщин использованию одежды (4)
    WIPE — WI (Женский институт — группа женщин) + ЧП (обучение)
    3 Влияние друзей в СМИ (10)
    PREPOSSESS — POSSE внутри (внутри) PRESS (media)
    9 Бесплатно Любовь показана в короткометражном фильме (4)
    VOID — О (любовь) появляется внутри (показано в) VID {eo} (короткометражный фильм)
    10 Местоположение Грейт-Фолс (3,7)
    НОВАЯ АНГЛИЯ — Продолжайте думать, что я, должно быть, упустил здесь некоторую тонкость.Предположим, это просто отсылка к потрясающей окраске осенних листьев, которой славится NE (в отличие от ссылки на Ниагарский водопад, который является штатом Нью-Йорк на стороне США). Но может быть еще что-то …
    12 Cliffhanger в романе «Почти освобождение» (4-5)
    NAIL BITER — * (LIBERATIN) — ‘почти либератин {g} — с «романом» в качестве анагринда
    14 Одна огромная фирма для обсуждения (5)
    TITAN — Похоже («для обсуждения») «затянуть» (закрепить).Хитрый ввод в заблуждение (ну, он заставил меня бежать по всевозможным тупикам, пока, наконец, не увидел свет)
    15 Возможно, он получит палку за утверждение (13)
    PRONOUNCEMENT — PRONOUN (возможно, «он») «получает» ЦЕМЕНТ (палку). Лучшая подсказка полета.
    18 Продукт тренированного ума? Было, когда-то (7,6)
    ДРЕВНЯЯ МУДРОСТЬ — Загадочная подсказка, основанная на * (РАЗУМ ЭТО БЫЛО ОДИН РАЗ) с «обученным» как анагринд.
    20 Выйти из автомобиль (5)
    DODGE — Аккуратный DD
    22 Выкройное белье также используется для изготовления предмета одежды (3-2-4)
    ВСЕ В ОДНОМ — * (ТАКЖЕ БЕЛЬЕ) с «причудливым» в качестве анагринда. Не слишком знаком с рассматриваемой одеждой, но полагаю, что это какой-то комбинезон.
    23 Дно колбы в кармане (10)
    NETHERMOST — THERMOS (колба) в NET (карман)
    25 Течение реки между берегами (4)
    ODER — «течение» дает нам M ODER N, и река появляется между краями (берегами). Я понятия не имел, что здесь происходит, пока не появились перекрестные шашки, что сделало ODER весьма вероятным кандидатом, а затем, пока не рассвело, было еще больше чесания в голове.Очень умно / очень коварно — выбирайте …
    26 Практически все медсестры могут отвезти толпу на обед (10)
    MOONSTRUCK — БОЛЬШИНСТВО (почти все) включает («медсестер») ON (доступно) + RUCK (толпа)
    27 Наблюдать — как «чувство»? (4)
    ESPY — ESP (чувство) + Y (вроде — как в эквиваленте «иш»).Еще один, в котором ответ был достаточно ясным из определений и перекрестных проверок, но синтаксический анализ был проблемой.
    Вниз
    1 Знаменитый партнер несет французское вино с флагом ? (6)
    WAVING — WAG (партнер-знаменитость — как в «женах и подругах»), «несущий» VIN (французское вино)
    2 Принц выстрелил в атаке (9)
    ФИЛИПП — ФИЛИПП (Принц) + ПИК (снято — как на снимке).Поместите этого в игру слов, это слово мне совершенно не известно. Видимо филиппик — это своего рода словесный натиск; довольно интересное слово, которое я постараюсь использовать в разговоре как можно скорее
    4 Виски пустые бутылки винокурни (3)
    RYE — distille RY E Шкуры (бутылки), очищенные от воды ответ
    5 Студент из США успел позвонить по номеру до обеда (11)
    ПРЕДВАРИТЕЛЬНЫЙ НАБОР — PREP (студент в США) + RAN (управляемый) + DIAL (для звонка).Я слышал в США термин «преппи», но никогда раньше не встречал более короткого слова «подготовка».
    6 Стоны о музыкальном мастерстве бродяги (5-7)
    ЗРИТЕЛЬНОЕ ЧТЕНИЕ — ВЗДЫХ (стоны) обходит (о) ПУТЬ (бродяга). Довольно приятный сюрреалистический образ, созданный поверхностью.
    7 Претензия быть не у дел (5)
    ТОЧНЫЙ — DD — второй вариант несколько загадочен (если вы раньше были «актером», то в настоящее время вы могли бы быть без работы, я полагаю)
    8 Расстроен из-за среднего комментарий (4,4)
    БОКОВОЕ ПРИМЕЧАНИЕ — SI (‘IS Reverssed’ — расстроено) поверх (над) ОБОЗНАЧЕНИЕ (среднее)
    11 Собственности больше нет пусть, мысленно не владеет должным образом (12)
    УСТАРЕНИЕ — * (ДАВАЙТЕ ОДИН) — с «неправильно» в качестве анагринда — ‘в’ НАРУШЕНИЕ (контроль мысленно).Определение (состояние — собственность — быть более не имеющим отношения к жизни) было достаточно изобретательным, чтобы на долгое время смутить меня …
    13 Из башни выстрелил поставщик рыбы (5-6)
    ФОРЕЛЬ ФЕРМЕР — * (ИЗ БАШНИ) с «дробью» в качестве анагринда. Дай мне по стандартам этой головоломки — и к тому времени, когда я добрался до нее на полпути через Даунс во время моего первого прохождения, мне понадобилась вся помощь, которую я мог получить!
    16 Некоторые профсоюзные работники — то есть в основном монстры (9)
    EUMENIDES — МУЖЧИНЫ ЕС (некоторые профсоюзы) + ID ES {T} (в основном «то есть»), что дает нам Фурии.
    17 Утвердить новый, er, препарат (8)
    LAUDANUM -: LAUD (утвердить) + A + N (новое сокращение) + UM (er)
    19 Утрачено в составе перевозчика (6)
    ASTRAY — AS (частично) + TRAY (носитель)
    21 Та же песня, скоро закончится (5)
    DITTO — DITT {Y} (коротко песня) + O (аббревиатура.Больше)
    24 Призыв к атаке , так кажется (3)
    SIC — DD, первая из которых, очевидно, является призывом к собакам атаковать. Хм, живи и учись …

    ЭМБОСС: ohmmfetch

    EMBOSS: ohmmfetch
    ohmmfetch

    Вики

    Имеются мастер-копии документации EMBOSS. в http: // тиснение.open-bio.org/wiki/Appdocs в EMBOSS Wiki.

    Пожалуйста, помогите исправлением и расширением страниц Wiki.

    Функция

    Извлечь HMM из базы данных

    Описание

    EMBASSY HMMER — это порт оригинального hmmer v2.2.1 приложения, написанные Шоном Эдди.

    Алгоритм

    Пожалуйста, прочтите Userguide.pdf, распространяемый с оригинальной HMMER и включен в дистрибутив EMBASSY HMMER в каталоге DOCS.

    использование

    Вот пример сеанса с ohmmfetch
    
    %  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
    
     
    Квалификатор Тип Описание Допустимые значения По умолчанию
    Стандартные (обязательные) квалификаторы
    [-база данных]
    (Параметр 1)
    строка Название базы данных Любая строка
    [-name]
    (Параметр 2)
    строка Название записи Любая строка
    [-outfile]
    (Параметр 3)
    аутфил Выходной файл скрытой марковской модели HMMER Выходной файл <*> .ohmmfetch
    Дополнительные (необязательные) квалификаторы
    (нет)
    Расширенные квалификаторы (без подсказки)
    (нет)
    Ассоциированные квалификаторы
    «-outfile» связанные квалификаторы Outfile
    -directory3
    -odirectory_outfile
    строка Каталог вывода Любая строка
    Общие квалификаторы
    -авто логический Отключить подсказки Логическое значение Да / Нет N
    -стандартный логический Записать первый файл в стандартный вывод Логическое значение Да / Нет N
    -фильтр логический Прочитать первый файл из стандартного ввода, записать первый файл в стандартный вывод Логическое значение Да / Нет N
    -опции логический Запрос стандартных и дополнительных значений Логическое значение Да / Нет N
    -отладка логический Записать отладочную информацию в программу.dbg Логическое значение Да / Нет N
    -вербус логический Сообщить о некоторых / полных параметрах командной строки Логическое значение Да / Нет Y
    — помощь логический Сообщить о параметрах командной строки и выйти. Более подробную информацию о связанных и общих квалификаторах можно найти с помощью -help -verbose Логическое значение Да / Нет N
    -предупреждение логический Сообщить о предупреждениях Логическое значение Да / Нет Y
    -ошибка логический Сообщить об ошибке Логическое значение Да / Нет Y
    -смертельный логический Сообщить о критических ошибках Логическое значение Да / Нет Y
    -смерть логический Сообщить о смерти программных сообщений Логическое значение Да / Нет Y
    -версия логический Сообщить номер версии и выйти из Логическое значение Да / Нет N

    Формат входного файла

    ohmmfetch читает любую нормальную последовательность USAs.

    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

    ohmmfetch выводит график на указанное графическое устройство.выводит файл формата отчета. Формат по умолчанию …

    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

    Никто.

    Примечания

    Никто.

    использованная литература

    Никто.

    Предупреждения

    Никто.

    Сообщения об ошибках диагностики

    Никто.

    Статус выхода

    Он всегда завершается со статусом 0.

    Известные ошибки

    Никто.

    Авторы)

    Эта программа представляет собой преобразование EMBOSS программы, написанной Шоном Эдди. как часть его пакета HMMER.

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

    История

    Целевые пользователи

    Эта программа предназначена для использования всеми и вся, от простых пользователей до встроенных скриптов.

    Комментарии

    Никто
     
    .

    Добавить комментарий

    Ваш адрес email не будет опубликован. Обязательные поля помечены *