估计基因型-表型图中统计高阶上位性的python api。
epistasis的Python项目详细描述
上位性
python api，用于估计基因型-表型图中的统计性高阶上位性。
所有模型都遵循Scikit learn接口，从而无缝地插入PyData生态系统有关此软件包中包含的型号类型的详细信息， 阅读我们的docs。您还可以在我们的paper中阅读更多关于这些模型背后的理论。
最后，如果您想在不安装任何程序的情况下测试这个包，请尝试这些jupyter笔记本here（谢谢Binder！）.
示例
epistasis包与gpmap（一种用于管理 基因型表型图谱数据。构造一个基因型pHNOtypeMap对象并传递它 直接到上位性模型。
# Import a model and the plotting modulefromgpmapimportGenotypePhenotypeMapfromepistasis.modelsimportEpistasisLinearRegressionfromepistasis.pyplotimportplot_coefs# Genotype-phenotype map data.wildtype="AAA"genotypes=["ATT","AAT","ATA","TAA","ATT","TAT","TTA","TTT"]phenotypes=[0.1,0.2,0.4,0.3,0.3,0.6,0.8,1.0]# Create genotype-phenotype map object.gpm=GenotypePhenotypeMap(wildtype=wildtype,genotypes=genotypes,phenotypes=phenotypes)# Initialize an epistasis model.model=EpistasisLinearRegression(order=3)# Add the genotype phenotype map.model.add_gpm(gpm)# Fit model to given genotype-phenotype map.model.fit()# Plot coefficients (powered by matplotlib).plot_coefs(model,figsize=(3,5))
更多的例子可以在这些binder notebooks中找到。
安装
epistasis在python 3+中工作（我们不保证它在python 2中工作）。
要在pypi上安装最新版本：
pip install epistasis
要从源安装，请克隆此repo并运行：
pip install -e .
文件
可以查看文档和API引用here
依赖关系
- gpmap：用于构建强大的基因型-表型映射python数据结构的模块。
- Scikit-learn：简单易用的机器学习算法
- Numpy：python的数组操作包
- Scipy：高效的科学数组操作和拟合
- lmfit：Python中的非线性最小二乘最小化和曲线拟合
可选依赖项
- matplotlib：Python绘图API
- ipython：交互式python内核
- jupyter notebook：交互式笔记本应用程序，用于以交互方式运行python内核
- ipywidgets：python中的交互式小部件。
开发
我们欢迎拉要求！如果你发现一个虫子，我们很乐意请你修理它。如果 有一个功能您想添加，请随时提交 带有添加说明的拉取请求我们也要求你写 对新特性进行适当的单元测试，并将文档添加到sphinx文档中。
要对此包运行测试，请确保已安装pytest，并从基本目录运行：
pytest
引用
如果你使用这个api进行研究，请引用这个paper。
您也可以直接引用该软件：
@misc{zachary_sailer_2017_252927,
author = {Zachary Sailer and Mike Harms},
title = {harmslab/epistasis: Genetics paper release},
month = jan,
year = 2017,
doi = {10.5281/zenodo.1215853},
url = {https://doi.org/10.5281/zenodo.1215853}
}
欢迎加入QQ群-->： 979659372
