مقاله انگلیسی رایگان در مورد DeepARG: یادگیری عمیق برای پیش بینی ژن های مقاوم – NCBI 2018

مقاله انگلیسی رایگان در مورد DeepARG: یادگیری عمیق برای پیش بینی ژن های مقاوم – NCBI 2018

 

مشخصات مقاله
انتشار مقاله سال ۲۰۱۸
تعداد صفحات مقاله انگلیسی ۱۵ صفحه
هزینه دانلود مقاله انگلیسی رایگان میباشد.
منتشر شده در نشریه NCBI
نوع مقاله ISI
عنوان انگلیسی مقاله DeepARG: a deep learning approach for predicting antibiotic resistance genes from metagenomic data
ترجمه عنوان مقاله روش DeepARG: یک رویکرد یادگیری عمیق برای پیش بینی ژن های مقاوم در برابر آنتی بیوتیک
فرمت مقاله انگلیسی  PDF
رشته های مرتبط کامپیوتر، زیست شناسی
گرایش های مرتبط هوش مصنوعی، ژنتیک
مجله میکروبیوم – Microbiome
دانشگاه Department of Computer Science – Virginia Tech – USA
کلمات کلیدی متاژنومیکس، مقاومت آنتی بیوتیک، یادگیری عمیق، یادگیری ماشین
کلمات کلیدی انگلیسی Metagenomics, Antibiotic resistance, Deep learning, Machine learning
کد محصول E6427
وضعیت ترجمه مقاله  ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید.
دانلود رایگان مقاله دانلود رایگان مقاله انگلیسی
سفارش ترجمه این مقاله سفارش ترجمه این مقاله

 

بخشی از متن مقاله:
Background

Antibiotic resistance is an urgent and growing global public health threat. It is estimated that the number of deaths due to antibiotic resistance will exceed ten million annually by 2050 and cost approximately 100 trillion USD worldwide [1–۳]. Antibiotic resistance arises when bacteria are able to survive an exposure to antibiotics that would normally kill them or stop their growth. This process allows for the emergence of “superbugs” that are extremely difficult to treat. A few examples include methicillin-resistant Staphylococcus aureus (MRSA), which is an extremely drug-resistant bacterium associated with several infections [4], multidrug-resistant (MDR) Mycobacterium tuberculosis, which is resistant to rifampicin, fluoroquinolone, and isoniazid [5], and colistin-carbapenem-resistant Escherichia coli, which has gained resistance to last-resort drugs through the acquisition of the mcr-1 and blaNDM-1 antibiotic resistance genes (ARGs) [6, 7]. The advent of high throughput DNA sequencing technology now provides a powerful tool to profile the full complement of DNA, including ARGs, derived from DNA extracts obtained from a wide range of environmental compartments. For example, ARGs have now been profiled using this kind of metagenomic approach in livestock manure, compost, wastewater treatment plants, soil, water, and other affected environments [8–۱۳], as well as within the human microbiome [14, 15]. Identification of ARGs from such samples is presently based on the computational principle of comparison of the metagenomic DNA sequences against available online databases. Such comparison is performed by aligning raw reads or predicted open reading frames (full gene length sequences) from assembled contigs to the database of choice, using programs such as BLAST [16], Bowtie [17], or DIAMOND [18], and then predicting or assigning the categories of ARGs present using a sequence similarity cutoff and sometimes an alignment length requirement [19–۲۱].

برچسب ها

ثبت دیدگاه

دیدگاهها بسته است.