对RB-TnSeq健身数据的机器学习分析预测了Pseudomonas putida KT244040中的功能基因模块
Andrew J Borchert1,2, Alissa C Bleem1,2,3, Hyun Gyu Lim4,5,6
1Renewable Resources and Enabling Sciences Center, National Renewable Energy Laboratory, Golden, Colorado, USA.
mSystems
|February 7, 2024
概括
独立成分分析 (ICA) 确定了Pseudomonas putida中的84个功能基因模块,加速了对代谢工程中的基因关系的理解. 这种机器学习方法有助于发现新的基因功能和优化微生物底盘.
科学领域:
- 微生物工程 微生物工程
- 系统生物学 系统生物学
- 基因组学就是基因组学.
背景情况:
- 对*Pseudomonas putida*的代谢工程需要了解基因功能关系.
- 随机编码的转子子插入序列 (RB-TnSeq) 提供了各种条件的健身数据.
- 现有的基因功能注释方法可能耗时.
研究的目的:
- 开发一种快速的,自动化的方法来识别P. putida*中的功能基因模块.
- 在RB-TnSeq数据上利用机器学习 (独立组件分析 - ICA).
- 为了发现新的基因关联,并指导代谢工程的努力.
主要方法:
- 应用独立组件分析 (ICA) 对179个条件中的*P. putida* KT2440的RB-TnSeq适应性数据汇编.
- 确定了84个不同的基因组,称为"fModules",表现出共同的功能影响.
- 使用工程突变物验证了与代谢和抗压力相关的选定的fModules.
主要成果:
- ICA成功地回顾了已知的功能基因关系,并确定了新的关联.
- 发现了84个fModules,为基因网络和细胞过程提供了洞察力.
- 证明了比较ICA的转录组学和基因适应性数据的实用性,以链接调节和功能.
结论:
- 国际健身协会 (ICA) 提供了一种强大的,自动化的方法,可以从大规模的健身数据中阐明功能性基因模块.
- 这种方法加速了基因功能注释,并有助于优化工业应用的微生物底盘.
- 将不同数据类型的ICA进行比较,可以发现调节功能基因关系,这对于代谢建模和药物标识有价值.
关键词:
伪omonas putida可以使用.这就是RB-TnSeqq.氨基酸代谢 氨基酸代谢芳香性催化剂的发生.功能性基因组学 功能性基因组学独立组件分析独立组件分析机器学习是机器学习.转位子插入序列的测序.更多相关视频
10:18A Fast and Reliable Pipeline for Bacterial Transcriptome Analysis Case study: Serine-dependent Gene Regulation in Streptococcus pneumoniae
Published on: April 25, 2015
10.4K
08:19Generating Transposon Insertion Libraries in Gram-Negative Bacteria for High-Throughput Sequencing
Published on: July 7, 2020
10.4K
