eleven 0.1.1

我怎么用十一？

Eleven需要Python2.7。不支持早期版本。 Python3.x的支持已经在计划中了。你需要一条科学Python 包括熊猫和松鼠。如果你没有这些，你可以 安装Anaconda environment的免费版本，其中 你需要的一切。

示例分析会话如下：

# Read PCR data into a pandas DataFrame. You want a data file where each
# row corresponds to a separate well, with columns for the sample name,
# target name, and Cq value. NTC wells should have the sample name set to
# a value like 'NTC'.
>> df = pd.read_csv('my_data.csv')

# If your Sample, Target, and Cq columns are called other things, they
# should be renamed to Sample, Target, and Cq.
>> df = df.rename(columns={'Gene': 'Target', 'Ct': 'Cq'})

# Drop the wells that are too close to the NTC for that target.
>> censored = eleven.censor_background(df)

# Rank your candidate reference genes.
>> ranked = eleven.rank_targets(censored, ['Gapdh', 'Rn18s', 'Hprt',
    'Ubc', 'Actb'], 'Control')

# Normalize your data by your most stable genes and compute normalization
# factors (NFs).
>> nf = eleven.calculate_nf(censored, ranked.ix['Target', 0:3], 'Control')

# Now, normalize all of your expression data.
>> censored['RelExp'] = eleven.expression_nf(censored, nf, 'Control')

那不容易吗？这将添加每个井的相对表达式 数据帧的列。现在您可以使用常规的pandas工具 处理数据，所以 censored.groupby(['Sample','Target'])['RelExp'].aggregate(['mean','std']) 为每个目标提供了一个很好的平均值和标准差表 在每个样本中。

gapdh/actb/rn18s不够好吗？

如果你期望你的实验发生40倍的变化 针对一个“普通嫌疑犯”的参考基因可能会这么做。

但如果你对可靠地测量较小的变化感兴趣，请记住 你的成绩质量不可能比 你的正常化。至少不需要评估 在你的实验条件下最喜欢的参考基因 可能或多或少稳定的一组其他基因 你比较的系统误差是 不受控制。除非你证明你的参考基因是定量的 稳定，你没有证据你在做一个定量的 实验。

为什么是基因型？

已经提出了几种算法，并正在用于选择 候选参照系中稳定表达目标的集合 基因。genorm是一种较老且更流行的算法。一个2009 review by Vandesompele, Kubista, and Pfaffl 解释了几种标准化算法背后的数学基础 结论是“每个科学家至少应该验证 参考基因，[用于基因正常化的]实际方法较少 “关键”，因为他们给出了“高度相似的排名。”

添加其他算法不是我的首要任务，但我很乐意接受 回归测试支持的拉取请求。

我为什么要用十一？

Eleven有一个简单、干净的接口，并使用熟悉的数据结构。 而且，我认为我们是镇上唯一一个用python进行pcr分析的游戏。

R中还有其他选项； SLqPCR 可能是十一个孩子中最亲的。 qpcR做了很多 复杂的东西，但我发现它相应的神秘。But I don’t like R。

为什么叫十一？

PCR是基于扩增的。Our amplifier goes to 11.