标签: skbio

scikit-bio是否有可能从基因组fasta文件中提取存储在gff3格式文件中的基因组特征？

例:

genome.fasta

>sequence1
ATGGAGAGAGAGAGAGAGAGGGGGCAGCATACGCATCGACATACGACATACATCAGATACGACATACTACTACTATGA

annotation.gff3

#gff-version 3
sequence1   source  gene    1   78  .   +   .   ID=gene1
sequence1   source  mRNA    1   78  .   +   .   ID=transcript1;parent=gene1
sequence1   source  CDS 1   6   .   +   0   ID=CDS1;parent=transcript1
sequence1   source  CDS 73  78  .   +   0   ID=CDS2;parent=transcript1

mRNA特征(转录物1)的所需序列将是两个子CDS特征的连接.所以在这种情况下,这将是'ATGGAGCTATGA'.

我刚刚使用pip3安装了numpy和scikit-bio.如果我在交互式会话中导入DNASequence,我会收到一条错误消息:

>>> from skbio.sequence import DNASequence
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "/usr/local/lib/python3.4/site-packages/skbio/__init__.py", line 64, in <module>
    from skbio.stats.distance import DistanceMatrix
  File "/usr/local/lib/python3.4/site-packages/skbio/stats/distance/__init__.py", line 293, in <module>
    from ._base import (DissimilarityMatrixError, DistanceMatrixError,
  File "/usr/local/lib/python3.4/site-packages/skbio/stats/distance/_base.py", line 11, in <module>
    from future.utils.six import StringIO, string_types
ImportError: No module named 'future.utils.six'

运行'pip3 list'向我显示安装了六个1.8.0.更奇怪的是,如果我重复import语句,DNASequence会正确加载.知道是什么导致了这种行为吗？

我正在运行Mac OS X 10.9.5(Mavericks),Python 3.4.1(通过自制软件安装).

当尝试使用Python 2.78和Visual C++ 2008 Express Edition在Windows XP上通过pip安装scikit-bio工具包时,该过程被VC发出以下消息中断:

cl : Command line error D8021 : invalid numeric argument '/Wno-error=declaration
-after-statement' 

关于此错误,Microsoft Developer Network网站只是说:

invalid numeric argument 'number'

A number greater than 65,534 was specified as a numeric argument.

我还没有尝试在Linux下安装scikit-bio(Ubuntu 12.04 Precise),但我的印象是它能正常工作(就像Linux一样).

有没有人成功在Windows下安装scikit-bio(XP,7,8)？任何提示？

提前致谢!

我正在试图弄清楚如何Principal Coordinate Analysis使用各种距离指标来实现.我在这两个偶然skbio和sklearn与实现. 我不明白为什么sklearn每次实现都是不同skbio的同时呢？是否有一定程度的随机性Multidimensional Scaling,特别是Principal Coordinate Analysis？我看到所有的集群都非常相似,但为什么它们不同？我是否正确实施了这个？

Principal Coordinate Analysis使用Scikit-bio(ie Skbio)运行总是给出相同的结果:

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.datasets import load_iris
from sklearn.preprocessing import StandardScaler
from sklearn import decomposition
import seaborn as sns; sns.set_style("whitegrid", {'axes.grid' : False})
import skbio
from scipy.spatial import distance

%matplotlib inline
np.random.seed(0)

# Iris dataset
DF_data = pd.DataFrame(load_iris().data, 
                       index = ["iris_%d" …

我看attributes的skbio's PCoA方法(见下表).我是新来这个API,我希望能够得到eigenvectors投射到新中轴线和原始点相似.fit_transform的sklearn.decomposition.PCA,所以我可以创造一些PC_1 vs PC_2式的情节.我想出了如何获得eigvals,proportion_explained但features回来了None.

这是因为它处于测试阶段吗？

如果有任何教程使用它,那将非常感激.我是一个狂热的粉丝,scikit-learn并希望开始使用更多的scikit's产品.

|  Attributes
 |  ----------
 |  short_method_name : str
 |      Abbreviated ordination method name.
 |  long_method_name : str
 |      Ordination method name.
 |  eigvals : pd.Series
 |      The resulting eigenvalues.  The index corresponds to the ordination
 |      axis labels
 |  samples : pd.DataFrame
 |      The position of the samples …

我正在尝试使用scikit-bio读取fastq格式的文本文件.

鉴于它是一个相当大的文件,执行操作非常慢.

最终,我试图将fastq文件解压缩到字典中:

f = 'Undetermined_S0_L001_I1_001.fastq'
seqs = skbio.io.read(f, format='fastq')

seq_dic = {}
for seq in seqs:
    seq = str(seq)
    if seq in seq_dic.keys():
        seq_dic[seq] +=1
    else:
        seq_dic[seq] = 1

这里的大部分时间都是在阅读文件时使用的:

%%time
f = 'Undetermined_S0_L001_I1_001.fastq'
seqs = skbio.io.read(f, format='fastq')

for seq in itertools.islice(seqs, 100000):
    seq

CPU times: user 46.2 s, sys: 334 ms, total: 46.5 s
Wall time: 47.8 s

我的理解是,不验证序列会改善运行时间,但似乎并非如此:

%%time
f = 'Undetermined_S0_L001_I1_001.fastq'
seqs = skbio.io.read(f, format='fastq', verify=False, variant='illumina1.8')

for seq in itertools.islice(seqs, 100000):
    seq

CPU …