หน้าแรก>การเขียนโปรแกรมที่เกี่ยวข้อง>ซอร์สโค้ดอื่น ๆ
ดาวน์โหลด

Bittersweet: แบบจำลองการเรียนรู้ของเครื่องจักรสำหรับการทำนายรสขมและรสหวานของโมเลกุลขนาดเล็ก

เชิงนามธรรม

การแบ่งขั้วของรสนิยมหวานและขมเป็นคุณสมบัติวิวัฒนาการที่เด่นชัดของระบบ Gustatory ของมนุษย์ที่มีแรงดึงดูดโดยธรรมชาติเพื่อรสชาติหวานและความเกลียดชังต่อความขมขื่น ความเข้าใจที่ดีขึ้นเกี่ยวกับความสัมพันธ์ของโมเลกุลของการไล่ระดับสีรสขมเป็นสิ่งสำคัญสำหรับการระบุสารประกอบธรรมชาติและสารสังเคราะห์ของรสชาติที่พึงประสงค์ในแกนนี้ ในขณะที่การศึกษาก่อนหน้านี้มีความเข้าใจขั้นสูงของเราเกี่ยวกับระดับโมเลกุลของรสชาติหวานหวานและแบบจำลองที่มีส่วนร่วมในการระบุตัวตนของพวกเขามีขอบเขตที่เพียงพอในการปรับปรุงแบบจำลองเหล่านี้โดยการรวบรวมโมเลกุลหวานขมและการใช้ประโยชน์จากสเปกตรัมของตัวบ่งชี้โมเลกุลกว้าง ไปสู่เป้าหมายเหล่านี้ขึ้นอยู่กับการรวบรวมข้อมูลที่มีโครงสร้างการศึกษาของเราให้กรอบการบูรณาการด้วยรูปแบบการเรียนรู้ของเครื่องจักรที่ทันสมัยสำหรับการทำนายรสชาติหวานหวาน (bittersweet) เราเปรียบเทียบชุดตัวบ่งชี้โมเลกุลที่แตกต่างกันสำหรับประสิทธิภาพการทำนายของพวกเขาและระบุคุณสมบัติที่สำคัญเพิ่มเติมรวมถึงบล็อกคุณสมบัติ ยูทิลิตี้ของโมเดล Bittersweet แสดงให้เห็นโดยการทำนายรสชาติในชุดเคมีขนาดใหญ่ขนาดใหญ่เช่น Flavordb, Foodb, SuperSweet, Super Natural II, DSSTOX และ DrugBank เพื่ออำนวยความสะดวกในการวิจัยในอนาคตในทิศทางนี้เราได้จัดทำชุดข้อมูลและโมเดล Bittersweet ทุกรุ่นที่เปิดเผยต่อสาธารณชนและยังนำเสนอซอฟต์แวร์แบบ end-to-end สำหรับการทำนายรสชาติหวานรสขมขึ้นอยู่กับตัวบ่งชี้ทางเคมีที่มีอยู่อย่างอิสระ

ผู้เขียน

  1. Rudraksh Tuwani
  2. somin wadhwa
  3. Ganesh Bagler *

ศูนย์ชีววิทยาการคำนวณสถาบันเทคโนโลยีสารสนเทศ Indraprastha (IIIT- Delhi), นิวเดลี, อินเดีย * ผู้เขียนที่เกี่ยวข้อง ([email protected], [email protected])

ข้อกำหนดล่วงหน้าสำหรับการดำเนินการ

ในการตั้งค่าสภาพแวดล้อมการทำงานเพื่อดำเนินการบางส่วนหรือทั้งหมดของโครงการนี้คุณต้อง:

  1. โคลนโครงการ bittersweet - 

     $ git clone https://github.com/cosylabiiit/bittersweet.git
 $ cd bittersweet

  2. เราใช้ conda เป็นเครื่องมือในการสร้างสภาพแวดล้อมเสมือนจริงที่แยกได้และเนื่องจากแพ็คเกจบางอย่างของเราจำเป็นต้องมีการสร้างไบนารีจากแหล่งที่มาจึงจำเป็นต้องสร้าง Env ของคุณจากไฟล์ requirement.yml 

     $ conda env create -f environment.yml
 $ conda activate env

  3. เพื่อปิดการใช้งานสภาพแวดล้อมนี้หลังจากการใช้งาน - 

     $ conda deactivate

* ตรวจสอบให้แน่ใจว่าสคริปต์ทั้งหมดทำงานภายใต้สภาพแวดล้อม Python 2.7

โครงสร้างไดเรกทอรี 

 .
.
├── 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
.
.

การรับทราบ

ผู้เขียนขอขอบคุณสถาบันเทคโนโลยีสารสนเทศ (IIIT-DELHI) ​​สำหรับการจัดหาสิ่งอำนวยความสะดวกและการสนับสนุนการคำนวณ

ผลงานของผู้แต่ง

GB และ RT ออกแบบการศึกษา RT ดูแลข้อมูล SW, RT ดำเนินการเลือกคุณสมบัติและการทดลองอันดับความสำคัญและฝึกอบรมแบบจำลอง RT สร้างการทำนายรสขมสำหรับชุดสารเคมีพิเศษ ผู้เขียนทั้งหมดวิเคราะห์ผลลัพธ์และเขียนต้นฉบับ

ขยาย
ข้อมูลเพิ่มเติม
แอปที่เกี่ยวข้อง
แนะนำสำหรับคุณ
ข้อมูลที่เกี่ยวข้อง ทั้งหมด