we expected mutants that accumulate

we expected mutants that accumulated these
compounds to improve ethanol tolerance. However, when additional
metabolome data from several metabolic enzyme mutants
that increased these compounds were supplied to reconstruct the
model, the resultant model had low accuracy (RMSEP ¼ 0.381)
probably due to over-fitting and thus could not predict ethanol
tolerance. We found that the predictive model using metabolome
data from only the metabolic enzyme mutants had high accuracy
(RMSEP ¼ 0.0736), suggesting that mutants of genes from different
categories should be used for construction of the predictive model.
Therefore, construction of the predictive model using metabolome
data from mutants of different gene categories under ethanol stress
conditions was expected to get a highly accurate predictive model.
We also had tested Dtrp2 Dtrp3, a double KO strain of tryptophan
biosynthesis in preliminary experiment. However, we did not used
it in the present study because the strain caused the over-fit of
prediction model by its dramatically retarded growth.

ผลลัพธ์ (ไทย) 1:

เราคาดว่ากลายพันธุ์ที่สะสมเหล่านี้สารปรับปรุงค่าเผื่อเอทานอล อย่างไรก็ตาม เมื่อเติมข้อมูล metabolome จากการกลายพันธุ์ของเอนไซม์เผาผลาญหลายที่เพิ่มขึ้นเหล่านี้สารประกอบที่ได้มาเพื่อสร้างใหม่นางแบบ รูปแบบผลลัพธ์มีความแม่นยำต่ำ (RMSEP ¼ 0.381)อาจเป็น เพราะการติดตั้งมากกว่า และทำให้ สามารถทำนายเอทานอลความคลาดเคลื่อน เราพบว่ารูปแบบการทำนายที่ใช้ metabolomeข้อมูลจากเฉพาะสายพันธุ์เอนไซม์เผาผลาญมีความแม่นยำสูง(RMSEP ¼ 0.0736), ภาษาที่กลายพันธุ์ของยีนแตกต่างกันควรใช้ประเภทสำหรับการก่อสร้างของแบบจำลองการคาดการณ์ดังนั้น การก่อสร้างแบบจำลองคาดการณ์โดยใช้ metabolomeข้อมูลจากการกลายพันธุ์ของยีนที่แตกต่างกันประเภทภายใต้ปัญหาเอทานอลสภาพคาดว่าจะได้รับการทำนายแบบแม่นยำสูงเรายังได้ทดสอบ Dtrp2 Dtrp3 สายพันธุ์เกาะคู่ของโพรไบโอสังเคราะห์ในการทดลองเบื้องต้น อย่างไรก็ตาม เราก็ไม่ได้ใช้ในปัจจุบันศึกษาเนื่องจากสายพันธุ์ที่เกิดจากความกระชับมากกว่าของแบบคาดการณ์ โดยเจริญเติบโตอย่างมากปัญญาอ่อน

ผลลัพธ์ (ไทย) 2:

เราคาดหวังว่าการกลายพันธุ์เหล่านี้สะสม
สารที่จะปรับปรุงความทนทานต่อเอทานอล แต่เมื่อเพิ่มเติม
ข้อมูลจากหลาย metabolome กลายพันธุ์เอนไซม์การเผาผลาญ
ที่เพิ่มขึ้นสารเหล่านี้ให้มาเพื่อสร้าง
รูปแบบรูปแบบผลลัพธ์ที่มีความแม่นยำต่ำ (RMSEP ¼ 0.381)
อาจเป็นเพราะในช่วงกระชับและทำให้ไม่สามารถคาดการณ์ได้เอทานอล
ความอดทน เราพบว่ารูปแบบการทำนายโดยใช้ metabolome
ข้อมูลจากเพียงการกลายพันธุ์ของเอนไซม์เผาผลาญมีความแม่นยำสูง
(RMSEP ¼ 0.0736) ชี้ให้เห็นว่าการกลายพันธุ์ของยีนจากที่แตกต่างกัน
ประเภทควรจะใช้สำหรับการก่อสร้างของรูปแบบการทำนาย.
ดังนั้นการก่อสร้างของรูปแบบการทำนายโดยใช้ metabolome
ข้อมูลจากการกลายพันธุ์ของยีนประเภทที่แตกต่างกันภายใต้ความเครียดเอทานอล
เงื่อนไขที่คาดว่าจะได้รับรูปแบบการทำนายอย่างแม่นยำ.
นอกจากนี้เรายังได้รับการทดสอบ Dtrp2 Dtrp3 เป็น KO สายพันธุ์คู่ของโพรไบโอ
สังเคราะห์ในการทดสอบเบื้องต้น แต่เราไม่ได้นำมาใช้
ในการศึกษาครั้งนี้เพราะความเครียดที่เกิดมากกว่าความเหมาะสมของ
รูปแบบการทำนายโดยการเจริญเติบโตอย่างรวดเร็วของมันปัญญาอ่อน

ผลลัพธ์ (ไทย) 3:

เราคาดว่ากลายพันธุ์ที่สะสมเหล่านี้สารประกอบเพื่อปรับปรุงความอดทนเอทานอล อย่างไรก็ตาม เมื่อ เพิ่มเติมเมตาบ ลมสลายเอนไซม์กลายพันธุ์จากข้อมูลหลาย ๆที่เพิ่มขึ้นมาเพื่อสร้างสารประกอบเหล่านี้รูปแบบ , รูปแบบผลลัพธ์มีความแม่นยำต่ำ ( rmsep ¼ 0.381 )อาจจะเพราะกว่าที่เหมาะสมและดังนั้นจึงไม่สามารถคาดการณ์ เอทานอลความอดทน เราพบว่ารูปแบบการทำนายโดยใช้เมตาบ ลมข้อมูลจากเฉพาะการเผาผลาญอาหารเอนไซม์กลายพันธุ์มีความถูกต้องสูง( rmsep ¼ 0.0736 ) แนะนำว่า การกลายพันธุ์ของยีนจากต่างประเภทควรจะใช้สำหรับสร้างแบบจำลองพยากรณ์ .ดังนั้นการก่อสร้างของรูปแบบการทำนายโดยใช้เมตาบ ลมข้อมูลจากการกลายพันธุ์ของยีนที่แตกต่างกันภายใต้ความเครียดประเภทเอทานอลเงื่อนไขที่คาดว่าจะได้รับความถูกต้องสูงแบบนางแบบนอกจากนี้เรายังได้ทดสอบ dtrp2 dtrp3 , คู่โคสายพันธุ์ของทริปโตเฟนในการทดลองเบื้องต้น แต่เราไม่ได้ใช้ในการศึกษาครั้งนี้ เพราะความเครียดทำให้จบพอดีแบบจำลองการทำนาย โดยเติบโตอย่างมากปัญญาอ่อนของมัน