scikit-bio

Visão Geral

Visa o scikit-bio 0.7.4. Use-o para manipulação de sequências, alinhamento, filogenética, ecologia microbiana e estatística multivariada. Testes nativos exercitam pequenos conjuntos de dados sintéticos; exemplos com nomes de arquivos ou entradas indefinidas são modelos de fluxo de trabalho. Veja evidências e limites da revisão.

Quando Usar Esta Habilidade

Esta habilidade deve ser usada quando o usuário:

• Trabalha com sequências biológicas (DNA, RNA, proteína)
• Precisa ler/escrever formatos de arquivo biológicos (FASTA, FASTQ, GenBank, Newick, BIOM, etc.)
• Realiza alinhamentos de sequências ou busca por motivos
• Constrói ou analisa árvores filogenéticas
• Calcula métricas de diversidade (diversidade alfa/beta, distâncias UniFrac)
• Realiza análise de ordenação (PCoA, CCA, RDA)
• Executa testes estatísticos em dados biológicos/ecológicos (PERMANOVA, ANOSIM, Mantel)
• Analisa dados de microbioma ou ecologia de comunidades
• Trabalha com embeddings de proteínas de modelos de linguagem
• Precisa manipular tabelas de dados biológicos

Capacidades Principais

1. Manipulação de Sequências

Trabalhe com sequências biológicas usando classes especializadas para dados de DNA, RNA e proteína.

Operações chave:

• Ler/escrever sequências dos formatos FASTA, FASTQ, GenBank, EMBL
• Fatiamento, concatenação e busca de sequências
• Complemento reverso, transcrição (DNA→RNA) e tradução (RNA→proteína)
• Encontrar motivos e padrões usando regex
• Calcular distâncias (baseadas em Hamming, k-mer)
• Lidar com pontuações de qualidade de sequência e metadados

Padrões comuns:

import skbio

# Read sequences from file
seq = skbio.DNA.read('input.fasta')

# Sequence operations
rc = seq.reverse_complement()
rna = seq.transcribe()
protein = rna.translate()

# Find motifs
motif_positions = seq.find_with_regex('(ATG[ACGT]{3})')  # capture group required

# Check for properties
has_degens = seq.has_degenerates()
seq_no_gaps = seq.degap()

Observações importantes:

• Use as classes DNA, RNA, Protein para sequências gramatizadas com validação
• Use a classe Sequence para sequências genéricas sem restrições de alfabeto
• Pontuações de qualidade FASTQ são carregadas em metadados posicionais; especifique o phred_offset=33 ou variant conhecido (não infira a codificação do nome do arquivo). A tradução precisa de um código genético/frame explícito e uma decisão sobre códons incompletos.
• Tipos de metadados: nível de sequência (ID, descrição), posicional (por base), intervalo (regiões/características)

2. Alinhamento de Sequências

Realize alinhamentos de sequências par a par e múltiplas usando o motor pair_align (introduzido no scikit-bio 0.7.0), um alinhador de programação dinâmica versátil e eficiente.

Capacidades chave:

• Alinhamento global, local e semi-global (extremidades livres configuráveis) em uma única função
• Wrappers de conveniência pair_align_nucl (semelhante a BLASTN) e pair_align_prot (semelhante a BLASTP)
• Pontuação configurável: tupla de correspondência/descorrespondência ou matriz de substituição nomeada; penalidades de gap lineares ou afins
• Resultados PairAlignPath carregam strings CIGAR e convertem para sequências alinhadas
• Alinhamento de múltiplas sequências com multi_align_nucl / multi_align_prot (0.7.4); armazenamento e manipulação com TabularMSA

Padrões comuns:

from skbio import DNA, Protein
from skbio.alignment import pair_align_nucl, pair_align_prot, pair_align, TabularMSA

# Nucleotide alignment with BLASTN-like defaults
seq1, seq2 = DNA('ACTACCAGATTACTTACGGATCAGG'), DNA('CGAAACTACTAGATTACGGATCTTA')
aln = pair_align_nucl(seq1, seq2)
aln.score                                  # alignment score (float)
path = aln.paths[0]                        # PairAlignPath (repr shows CIGAR)
aligned_seqs = path.to_aligned((seq1, seq2))  # list of gapped strings

# Build a TabularMSA from the alignment path + original sequences
msa = TabularMSA.from_path_seqs(path, (seq1, seq2))

# Customize the algorithm via pair_align (default mode='global')
aln = pair_align(seq1, seq2, mode='local')                       # Smith-Waterman
aln = pair_align(seq1, seq2, sub_score=(2, -3), gap_cost=(5, 2), free_ends=False)
aln = pair_align(seq1, seq2, sub_score='NUC.4.4', gap_cost=3)    # substitution matrix, linear gap

# Protein alignment (BLASTP-like, BLOSUM62)
aln = pair_align_prot(Protein('HEAGAWGHEE'), Protein('PAWHEAE'))

# Read a multiple alignment from file and summarize
msa = TabularMSA.read('alignment.fasta', constructor=DNA)
consensus = msa.consensus()

Observações importantes:

…