إن الانقسام من الأذواق الحلوة والمريرة هو ميزة تطورية بارزة في الجهاز البشري البشري مع جاذبية فطرية للتذوق الحلو والنفور من المرارة. يعد الفهم الأفضل للربط الجزيئي لتدرج الذوق الحلو المرير أمرًا بالغ الأهمية لتحديد المركبات الطبيعية والاصطناعية من الذوق المرغوب فيه على هذا المحور. في حين أن الدراسات السابقة قد تطورت فهمنا للأساس الجزيئي للذوق الحلو المريرة والمساهمة في تحديد هويتها ، إلا أن هناك مجالًا واسعًا لتعزيز هذه النماذج عن طريق التجميع الدقيق للجزيئات الحلوة المريرة واستخدام مجموعة واسعة من الواصفات الجزيئية. نحو هذه الأهداف ، استنادًا إلى تجميع البيانات المهيكلة ، توفر دراستنا إطارًا تكاملاً مع نماذج التعلم الآلي الحديثة للتنبؤ بالذوق المرير (حلو ومر). قارنا مجموعات مختلفة من الواصفات الجزيئية لأدائها التنبئي وزيادة تحديد الميزات المهمة وكذلك كتل الميزات. يتم توضيح فائدة نماذج حلو ومر من خلال التنبؤ بالذوق على مجموعات كيميائية متخصصة كبيرة مثل Flavordb و FoodB و Supersweet و Super Natural II و DSStox و Drugbank. لتسهيل الأبحاث المستقبلية في هذا الاتجاه ، نجعل جميع مجموعات البيانات ونماذج حلو ومر متوفرة للجمهور ، ونقدم أيضًا برنامجًا شاملاً للتنبؤ بالذوق المرير استنادًا إلى الواصفات الكيميائية المتوفرة مجانًا.
مركز البيولوجيا الحاسوبية ، معهد Indraprastha لتكنولوجيا المعلومات (IIIT- دلهي) ، نيودلهي ، الهند * مؤلف مقابل ([email protected] ، [email protected])
لإعداد بيئة عمل لتنفيذ بعض أو جميع أقسام هذا المشروع ، يجب عليك:
استنساخ مشروع bittersweet -
$ git clone https://github.com/cosylabiiit/bittersweet.git
$ cd bittersweet
نستخدم conda كأداة لإنشاء بيئات افتراضية معزولة ولأن بعض حزمنا تتطلب بناء الثنائيات من مصدرها ، فمن الضروري إنشاء ENV الخاص بك من requirement.yml .
$ conda env create -f environment.yml
$ conda activate env
لإلغاء تنشيط هذه البيئة بعد الاستخدام -
$ conda deactivate
* تأكد من تشغيل جميع البرامج النصية تحت بيئة Python 2.7.
.
.
├── data # Model Training & Test Data (Tabular Format)
│ ├── bitter-test.tsv
│ ├── bitter-train.tsv
│ ├── sweet-test.tsv
│ ├── sweet-train.tsv
├── bittersweet # All Source Files
│ ├── models # Trained Models
│ │ ├── bitter_chemopy_boruta_features.p
│ │ ├── bitter_chemopy_rf_boruta.p
│ │ ├── sweet_chemopy_boruta_features.p
│ │ ├── sweet_chemopy_rf_boruta.p
│ ├── __init__.py
│ ├── model.py
│ ├── properties.py
│ ├── read_file.py
├── manuscript-experiments # Testing modules (including those for random-control experiments)
│ ├── bittersweet # Directory containing scripts
│ ├── data # Directory containing data
│ ├── models # Directory containing models
├── examples
├── predict.py # methods to test our models
.
.
يشكر المؤلفون معهد Indraprastha لتكنولوجيا المعلومات (IIIT-Delhi) على توفير المرافق والحساب.
GB و RT صمم الدراسة. RT برعاية البيانات. قام SW ، RT بإجراء تجارب تصنيف الميزات SW ، وتدريب النماذج. أنشأت RT التنبؤات الحلوة المريرة لمجموعات المواد الكيميائية المتخصصة. قام جميع المؤلفين بتحليل النتائج وكتبوا المخطوطة.
