计算机辅助代谢工程与优化
cameo的Python项目详细描述
什么是客串?
cameo是一个高级的python库,它是为缓解压力而开发的 代谢工程项目的设计过程。图书馆提供了 面向对象的模拟与应变设计方法的模块化框架 希望开发新的设计算法和自定义分析工作流的开发人员。 此外,它向只想 计算有希望的应变设计。
好奇吗?前往try.cameo.bio 试试看。
如果你在科学出版物中使用过cameo,请引用https://doi.org/10.1021/acssynbio.7b00423。
安装
使用pip从PyPI安装cameo。
$ pip install cameo
如果您从GitHub下载或克隆了源代码 或者您自己的fork,您可以运行以下命令来安装cameo进行开发。
$ pip install -e <path-to-cameo-repo> # recommended
您可能需要使用管理命令运行这些命令 如果不使用虚拟环境(例如使用sudo),则为特权。 请检查documentation 详情请参阅。
文档和示例
文档可在cameo.bio上找到。无数的Jupyter notebooks 提供示例和教程,并构成文档的一部分。它们也可以在(try.cameo.bio)上以可执行的形式提供。 此外,还提供了为期两天的细胞工厂工程课程的教材here。
高级API(面向用户)
用一个数计算期望产品的应变工程策略 使用高级接口的宿主有机体(运行时间按小时顺序排列)。
from cameo.api import design design(product='L-Serine')
也可以从命令行调用高级api。
$ cameo design vanillin
有关详细信息,请运行
$ cameo --help
低级API(针对开发人员)
利用进化计算寻找基因敲除靶点。
from cameo import models from cameo.strain_design.heuristic import GeneKnockoutOptimization from cameo.strain_design.heuristic.objective_functions import biomass_product_coupled_yield model = models.bigg.e_coli_core obj = biomass_product_coupled_yield( model.reactions.Biomass_Ecoli_core_w_GAM, model.reactions.EX_succ_e, model.reactions.EX_glc_e) ko = GeneKnockoutOptimization(model=model, objective_function=obj) ko.run(max_evaluations=50000, n=1, mutation_rate=0.15, indel_rate=0.185)
预测所需化学品的异源途径。
from cameo.strain_design import pathway_prediction predictor = pathway_prediction.PathwayPredictor(model) pathways = predictor.run(product="vanillin")
贡献
…非常欢迎!请阅读guideline了解如何贡献。