scikit-bio

# scikit-bio ## 概述 scikit-bio 是一个用于处理生物数据的综合 Python 库。应用此技能进行生物信息学分析，涵盖序列操作、比对、系统发育学、微生物生态学和多变量统计。 ## 何时使用此技能 当用户需要进行以下操作时，应使用此技能： - 处理生物序列（DNA、RNA、蛋白质） - 需要读取/写入生物文件格式（FASTA, FASTQ, GenBank, Newick, BIOM 等） - 执行序列比对或基序搜索 - 构建或分析系统发育树 - 计算多样性指标（alpha/beta 多样性，UniFrac 距离） - 执行排序分析（PCoA, CCA, RDA） - 对生物/生态数据运行统计检验（PERMANOVA, ANOSIM, Mantel） - 分析微生物组或群落生态学数据 - 处理来自语言模型的蛋白质嵌入 - 需要操作生物数据表 ## 核心能力 ### 1. 序列操作 使用专门针对 DNA、RNA 和蛋白质数据的类来处理生物序列。 **关键操作：** - 从 FASTA, FASTQ, GenBank, EMBL 格式读取/写入序列 - 序列切片、拼接和搜索 - 反向互补、转录（DNA→RNA）和翻译（RNA→蛋白质） - 使用正则表达式查找基序和模式 - 计算距离（Hamming 距离，基于 k-mer 的距离） - 处理序列质量分数和元数据 **常见模式：** python import skbio # 从文件读取序列 seq = skbio.DNA.read('input.fasta') # 序列操作 rc = seq.reverse_complement() rna = seq.transcribe() protein = rna.translate() # 查找基序 motif_positions = seq.find_with_regex('ATG[ACGT]{3}') # 检查属性 has_degens = seq.has_degenerates() seq_no_gaps = seq.degap() **重要提示：** - 使用 `DNA`, `RNA`, `Protein` 类处理带有验证的语法序列 - 使用 `Sequence` 类处理没有字母限制的通用序列 - 质量分数会自动从 FASTQ 文件加载到位置元数据中 - 元数据类型：序列级（ID, 描述）、位置级（每碱基）、区间级（区域/特征） ### 2. 序列比对 使用动态规划算法执行成对和多序列比对。 **关键能力：** - 全局比对（Needleman-Wunsch 及其半全局变体） - 局部比对（Smith-Waterman） - 可配置的评分方案（匹配/不匹配、空位罚分、替换矩阵） - CIGAR 字符串转换 - 多序列比对