Вычислительная платформа FluorSimStudio для обработки кинетических кривых затухания флуоресценции с использованием алгоритмов имитационного моделирования и интеллектуального анализа данных

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.

1. R. R. Choubeh, L. Bar-Eya, Y. Paltiel, N. Keren, P. C. Struik, H. van Amerongen. Photosynth. Res., 143 (2020) 13—18

2. L. Michels, V. Gorelova, Y. Harnvanichvech, J. W. Borst, B. Albada, D. Weijers, J. Sprakel. Proc. Natl. Acad. Sci. USA, 117, N 30 (2020) 18110—18118

3. Fluorescence Spectroscopy and Microscopy: Methods and Protocols. Methods in Molecular Biology, Eds. Y. Engelborghs, A. J. W. G. Visser, Springer Science+Business Media, LLC (2014) 1076

4. J. 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—24030

5. W. M. J. Franssen, F. J. Vergeldt, A. N. Bader, H. van Amerongen, C. Terenzi. J. Phys. Chem. Lett., 11, N 21 (2020) 9152—9158

6. Н. Н. Яцков, В. В. Скакун, В. В. Апанасович. Журн. прикл. спектр., 87, № 2 (2020) 322—333

7. Н. Н. Яцков, В. В. Скакун, В. В. Гринев. Информатика, 16, № 4 (2019) 7—24

8. J. 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—2353

9. 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)

10. 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—2830

11. D. Schmidt, W.-C. Chen, M. A. Matheson, G. Ostrouchov. Big Data Res., 8 (2016) 1—11

12. T. Masters. Data Mining Algorithms in C++. Data Patterns and Algorithms for Modern Applications, Apress, eBook (2018)

13. 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.

14. Apache Software Foundation. Apache Hadoop, http://hadoop.apache.org

15. R Core Team. R: A Language and Environment for Statistical Computing. Foundation for Statistical Computing, Vienna, Austria (2020), http://www.R-project.org

16. R. Gentleman, V. J. Carey, D. M. Bates. Genome Biology, 5, N 10 (2004) R80, doi: 10.1186/gb-2004-5-10-r80

17. H2O.ai. (2020) H2O: Scalable Machine Learning Platform. Version 3.30.0.6. https://github.com/h2oai/h2o-3

18. M. 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—65

19. T. 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/btaa1088

20. V. Yuan, D. Hui, Y. Yin, M. S. Penaherrera, A. G. Beristain, W. P. Robinson. BMC Genomic., 22, N 1 (2021), doi: 10.1186/s12864-020-07186-6

21. J. Lu, S. L. Salzberg. PLoS Comput Biol., 16, N 12 (2020) e1008439, doi: 10.1371/journal.pcbi.1008439

22. RStudio Team. RStudio: Integrated Development for R. RStudio, PBC, Boston (2020), http://www.rstudio.com

23. M. M. Yatskou. Computer Simulation of Energy Relaxation and Transport in Organized Porphyrin Systems, Wageningen (2001)

24. Н. Н. Яцков. Интеллектуальный анализ данных: пособие, Минск, БГУ (2014)

25. H. Shimodaira. Annal. Statist., 32 (2004) 2616—2641

26. T. Jolliffie. Principal Component Analysis, Springer, New York (2002)

27. J. A. Nelder, R. Mead. Comput. J., 8 (1965) 308—313

28. J. R. Lakowicz. Principles of Fluorescence Spectroscopy, Springer, New York (2006)