zhpsЖурнал прикладной спектроскопииZhurnal Prikladnoii Spektroskopii0514-7506B. I. Stepanov Institute of Physics of the National Academy of Scienceszhps-827Research ArticleСтатьиВычислительная платформа FluorSimStudio для обработки кинетических кривых затухания флуоресценции с использованием алгоритмов имитационного моделирования и интеллектуального анализа данныхComputational Platform FluorSimSudio for Processing the Kinetic Curves of Fluorescence Decay Using Simulation Modelling and Data Mining AlgorithmsЯцковН. Н.YatskouM. M.

220030, Минск.

Minsk, 220030.

yatskou@bsu.byАпанасовичВ. В.ApanasovichV. V.

220030, Минск.

Minsk, 220030.

Белорусский государственный университетBelarusian State University202129052021883452461Copyright © Яцков Н.Н., Апанасович В.В., 20212021Яцков Н.Н., Апанасович В.В.Yatskou M.M., Apanasovich V.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://zhps.ejournal.by/jour/article/view/827

Создана вычислительная платформа FluorSimStudio для обработки кривых затухания флуоресценции в молекулярных системах, реализующая концепцию комплексного подхода к анализу экспериментальной информации на основе методов имитационного моделирования и интеллектуального анализа данных. Комплексный анализ включает в себя разделение кривых затухания флуоресценции на кластеры по степени близости в некоторой мере сходства, нахождение медианных представителей кластеров (медоидов), применение метода снижения размерности данных и отображение экспериментальных данных в двухмерном пространстве. Анализ кривых затуханий медоидов осуществляется с использованием аналитических или имитационных моделей оптических процессов, протекающих в молекулярных системах. Визуализация кластеров данных в исходном и преобразованном временном пространствах проводится с целью обеспечения интерактивного взаимодействия. Предложена схема функционирования платформы, обоснован выбор программных средств для обеспечения высокой производительности вычислений, реализовано веб-приложение платформы (https://dsa-cm.shinyapps.io/FluorSimStudio), приведены результаты сравнительного анализа алгоритмов имитационного моделирования. Работоспособность вычислительной платформы подтверждена примерами анализа наборов данных, представляющими системы свободных флуорофоров и при наличии процесса переноса энергии электронного возбуждения по Фёрстеру. Вычислительная платформа является открытой системой и допускает постоянное добавление моделей комплексного анализа с учетом разработки новых алгоритмов имитационного моделирования процессов переноса энергии в молекулярных системах, регистрируемых с помощью систем флуоресцентной спектроскопии с временным разрешением.

Herein, a computational platform FluorSimStudio was developed for processing fluorescence decay curves in molecular systems, which implements the concept of complex analysis of experimental information based on the simulation modelling and data mining methods. Data analysis includes partitioning the fluorescence decay curves into clusters according to the degree of likeness to some measure of similarity, finding the median cluster members (medoids), applying the data reduction method and visualizing the experimental data in a two-dimensional space. Analysis of the decay curves is carried out by the analytical or simulation models of optical processes occurring in molecular systems. The visualization of data clusters in the original and transformed time spaces is done with the aim of user interaction. A functional scheme of the platform is proposed, the choice of software for ensuring high computing performance is substantiated, a web application of the platform is implemented (https://dsa-cm.shinyapps.io/FluorSimStudio), and the results of a comparative analysis of the simulation algorithms are presented. The performance of the computational platform was confirmed by examples of the analysis of data sets representing systems of free fluoro-phores and in the presence of the Forster electronic excitation energy transfer process. The computational platform is an open system and allows permanent addition of complex analysis models, taking into account the development of new algorithms for modelling the energy transfer processes in molecular systems, studied with the use of time-resolved fluorescence spectroscopy systems.

флуоресцентная спектроскопиязатухание флуоресценцииимитационное моделированиеинтеллектуальный анализ данныхвычислительная платформаразработка программных средствпрограммирование на Rfluorescence spectroscopyfluorescence decaysimulation modellingdata miningcomputational platformsoftware developmentR programmingReferencesR. R. Choubeh, L. Bar-Eya, Y. Paltiel, N. Keren, P. C. Struik, H. van Amerongen. Photosynth. Res., 143 (2020) 13—18R. R. Choubeh, L. Bar-Eya, Y. Paltiel, N. Keren, P. C. Struik, H. van Amerongen. Photosynth. Res., 143 (2020) 13—18L. Michels, V. Gorelova, Y. Harnvanichvech, J. W. Borst, B. Albada, D. Weijers, J. Sprakel. Proc. Natl. Acad. Sci. USA, 117, N 30 (2020) 18110—18118L. Michels, V. Gorelova, Y. Harnvanichvech, J. W. Borst, B. Albada, D. Weijers, J. Sprakel. Proc. Natl. Acad. Sci. USA, 117, N 30 (2020) 18110—18118Fluorescence Spectroscopy and Microscopy: Methods and Protocols. Methods in Molecular Biology, Eds. Y. Engelborghs, A. J. W. G. Visser, Springer Science+Business Media, LLC (2014) 1076Fluorescence Spectroscopy and Microscopy: Methods and Protocols. Methods in Molecular Biology, Eds. Y. Engelborghs, A. J. W. G. Visser, Springer Science+Business Media, LLC (2014) 1076J. T. Smith, R. Yao, N. Sinsuebphon, A. Rudkouskaya, N. Un, J. Mazurkiewicz, M. Barroso, P. Yan, X. Intes. Proc. Natl. Acad. Sci. USA, 116, N 48 (2019) 24019—24030J. T. Smith, R. Yao, N. Sinsuebphon, A. Rudkouskaya, N. Un, J. Mazurkiewicz, M. Barroso, P. Yan, X. Intes. Proc. Natl. Acad. Sci. USA, 116, N 48 (2019) 24019—24030W. M. J. Franssen, F. J. Vergeldt, A. N. Bader, H. van Amerongen, C. Terenzi. J. Phys. Chem. Lett., 11, N 21 (2020) 9152—9158W. M. J. Franssen, F. J. Vergeldt, A. N. Bader, H. van Amerongen, C. Terenzi. J. Phys. Chem. Lett., 11, N 21 (2020) 9152—9158Н. Н. Яцков, В. В. Скакун, В. В. Апанасович. Журн. прикл. спектр., 87, № 2 (2020) 322—333M. M. Yatskou, V. V. Skakun, V. V. Apanasovich. J. Appl. Spectr., 87, N 2 (2020) 333—344Н. Н. Яцков, В. В. Скакун, В. В. Гринев. Информатика, 16, № 4 (2019) 7—24Н. Н. Яцков, В. В. Скакун, В. В. Гринев. Информатика, 16, № 4 (2019) 7—24J. Demsar, T. Curk, A. Erjavec, C. Gorup, T. Hocevar, M. Milutinovic, M. Mozina, M. Polajnar, M. Toplak, A. Staric, M. Stajdohar, L. Umek, L. Zagar, J. Zbontar, M. Zitnik, B. Zupan. J. Machine Learn. Res., 14 (2013) 2349—2353J. Demsar, T. Curk, A. Erjavec, C. Gorup, T. Hocevar, M. Milutinovic, M. Mozina, M. Polajnar, M. Toplak, A. Staric, M. Stajdohar, L. Umek, L. Zagar, J. Zbontar, M. Zitnik, B. Zupan. J. Machine Learn. Res., 14 (2013) 2349—2353M. F. Hornick, E. Marcade, S. Venkayala. Java Data Mining: Strategy, Standard, and Practice: A Practical Guide for Architecture, Design, and Implementation. Morgan Kaufmann Publishers Inc., San Francisco (2006)M. F. Hornick, E. Marcade, S. Venkayala. Java Data Mining: Strategy, Standard, and Practice: A Practical Guide for Architecture, Design, and Implementation. Morgan Kaufmann Publishers Inc., San Francisco (2006)F. Pedregosa, G. Varoquaux, A. Gramfort, V. Michel, B. Thirion, O. Grisel, M. Blondel, P. Prettenhofer, R. Weiss, V. Dubourg, J. Vanderplas, A. Passos, D. Cournapeau, M. Brucher, M. Perrot, E. Duchesnay. J. Machine Learn. Res., 12 (2011) 2825—2830F. Pedregosa, G. Varoquaux, A. Gramfort, V. Michel, B. Thirion, O. Grisel, M. Blondel, P. Prettenhofer, R. Weiss, V. Dubourg, J. Vanderplas, A. Passos, D. Cournapeau, M. Brucher, M. Perrot, E. Duchesnay. J. Machine Learn. Res., 12 (2011) 2825—2830D. Schmidt, W.-C. Chen, M. A. Matheson, G. Ostrouchov. Big Data Res., 8 (2016) 1—11D. Schmidt, W.-C. Chen, M. A. Matheson, G. Ostrouchov. Big Data Res., 8 (2016) 1—11T. Masters. Data Mining Algorithms in C++. Data Patterns and Algorithms for Modern Applications, Apress, eBook (2018)T. Masters. Data Mining Algorithms in C++. Data Patterns and Algorithms for Modern Applications, Apress, eBook (2018)J. M. Abui'n, N. Lopes, L. Ferreira, T. F. Pena, B. Schmidt. PLoS One, 15, N 10 (2020) e0239741, doi: 10.1371/journal.pone.0239741.J. M. Abui'n, N. Lopes, L. Ferreira, T. F. Pena, B. Schmidt. PLoS One, 15, N 10 (2020) e0239741, doi: 10.1371/journal.pone.0239741.Apache Software Foundation. Apache Hadoop, http://hadoop.apache.orgApache Software Foundation. Apache Hadoop, http://hadoop.apache.orgR Core Team. R: A Language and Environment for Statistical Computing. Foundation for Statistical Computing, Vienna, Austria (2020), http://www.R-project.orgR Core Team. R: A Language and Environment for Statistical Computing. Foundation for Statistical Computing, Vienna, Austria (2020), http://www.R-project.orgR. Gentleman, V. J. Carey, D. M. Bates. Genome Biology, 5, N 10 (2004) R80, doi: 10.1186/gb-2004-5-10-r80R. Gentleman, V. J. Carey, D. M. Bates. Genome Biology, 5, N 10 (2004) R80, doi: 10.1186/gb-2004-5-10-r80H2O.ai. (2020) H2O: Scalable Machine Learning Platform. Version 3.30.0.6. https://github.com/h2oai/h2o-3H2O.ai. (2020) H2O: Scalable Machine Learning Platform. Version 3.30.0.6. https://github.com/h2oai/h2o-3M. Zaharia, R. S. Xin, P. Wendell, T. Das, M. Armbrust, A. Dave, X. Meng, J. Rosen, S. Venkataraman, M. J. Franklin, A. Ghodsi, J. Gonzalez, S. Shenker, I. Stoica. Commun. ACM, 59, N 11 (2016) 56—65M. Zaharia, R. S. Xin, P. Wendell, T. Das, M. Armbrust, A. Dave, X. Meng, J. Rosen, S. Venkataraman, M. J. Franklin, A. Ghodsi, J. Gonzalez, S. Shenker, I. Stoica. Commun. ACM, 59, N 11 (2016) 56—65T. Zhu, H. Chen, X. Yan, Z. Wu, X. Zhou, Q. Xiao, W. Ge, Q. Zhang, C. Xu, L. Xu, G. Ruan, Z. Xue, C. Yuan, G.-B. Chen, T. Guo. Bioinform. (2021) btaa1088, doi: 10.1093/bioinformatics/btaa1088T. Zhu, H. Chen, X. Yan, Z. Wu, X. Zhou, Q. Xiao, W. Ge, Q. Zhang, C. Xu, L. Xu, G. Ruan, Z. Xue, C. Yuan, G.-B. Chen, T. Guo. Bioinform. (2021) btaa1088, doi: 10.1093/bioinformatics/btaa1088V. Yuan, D. Hui, Y. Yin, M. S. Penaherrera, A. G. Beristain, W. P. Robinson. BMC Genomic., 22, N 1 (2021), doi: 10.1186/s12864-020-07186-6V. Yuan, D. Hui, Y. Yin, M. S. Penaherrera, A. G. Beristain, W. P. Robinson. BMC Genomic., 22, N 1 (2021), doi: 10.1186/s12864-020-07186-6J. Lu, S. L. Salzberg. PLoS Comput Biol., 16, N 12 (2020) e1008439, doi: 10.1371/journal.pcbi.1008439J. Lu, S. L. Salzberg. PLoS Comput Biol., 16, N 12 (2020) e1008439, doi: 10.1371/journal.pcbi.1008439RStudio Team. RStudio: Integrated Development for R. RStudio, PBC, Boston (2020), http://www.rstudio.comRStudio Team. RStudio: Integrated Development for R. RStudio, PBC, Boston (2020), http://www.rstudio.comM. M. Yatskou. Computer Simulation of Energy Relaxation and Transport in Organized Porphyrin Systems, Wageningen (2001)M. M. Yatskou. Computer Simulation of Energy Relaxation and Transport in Organized Porphyrin Systems, Wageningen (2001)Н. Н. Яцков. Интеллектуальный анализ данных: пособие, Минск, БГУ (2014)Н. Н. Яцков. Интеллектуальный анализ данных: пособие, Минск, БГУ (2014)H. Shimodaira. Annal. Statist., 32 (2004) 2616—2641H. Shimodaira. Annal. Statist., 32 (2004) 2616—2641T. Jolliffie. Principal Component Analysis, Springer, New York (2002)T. Jolliffie. Principal Component Analysis, Springer, New York (2002)J. A. Nelder, R. Mead. Comput. J., 8 (1965) 308—313J. A. Nelder, R. Mead. Comput. J., 8 (1965) 308—313J. R. Lakowicz. Principles of Fluorescence Spectroscopy, Springer, New York (2006)J. R. Lakowicz. Principles of Fluorescence Spectroscopy, Springer, New York (2006)

The authors declare that there are no conflicts of interest present.