用途
scikit-bio 是一个用于处理生物数据的综合 Python 库，面向生物信息学分析，覆盖序列操作、比对、系统发育、微生物生态学与多元统计等方向。当用户需要处理生物序列（DNA、RNA、蛋白质）、读写生物文件格式、进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、执行排序分析、对生物或生态数据做统计检验、分析微生物组或群落生态数据、处理蛋白质语言模型嵌入，或操作生物数据表时，均可使用该库。
主要能力
1. 序列操作
使用 DNA、RNA、Protein 等专用类处理生物序列，支持从 FASTA、FASTQ、GenBank、EMBL 格式读写序列，进行切片、拼接、搜索、反向互补、转录（DNA→RNA）、翻译（RNA→蛋白质）、正则查找基序、计算距离（Hamming、k-mer）以及处理质量分数和元数据。DNA、RNA、Protein 类提供字母表校验，Sequence 类用于无字母表限制的通用序列。FASTQ 文件的质量分数会自动加载到位置元数据中。
2. 序列比对
支持全局比对（Needleman-Wunsch 及半全局变体）和局部比对（Smith-Waterman），可配置打分方案（匹配/错配、空位罚分、替换矩阵），支持 CIGAR 字符串转换，并通过 TabularMSA 存储和操作多序列比对。局部比对可使用 local_pairwise_align_ssw，蛋白质比对可使用 StripedSmithWaterman。
3. 系统发育树
支持从距离矩阵构建树（UPGMA、WPGMA、邻接法、GME、BME），进行树操作（修剪、重定根、遍历）、距离计算（patristic、cophenetic、Robinson-Foulds）、ASCII 可视化以及 Newick 格式读写。大规模树可优先使用 GME 或 BME。
4. 多样性分析
计算 alpha 多样性（丰富度、Shannon 熵、Simpson 指数、Faith's PD、Pielou 均匀度）和 beta 多样性（Bray-Curtis、Jaccard、加权/非加权 UniFrac、欧氏距离），支持系统发育多样性指标、稀释与子采样，并与排序和统计检验集成。计数必须为整数丰度，系统发育指标需要树和 OTU ID 映射。
5. 排序方法
支持 PCoA（主坐标分析）、CA（对应分析）、CCA（典范对应分析）、RDA（冗余分析）以及用于特征解释的 biplot 投影。PCoA 适用于任意距离/相异矩阵，排序结果可与 matplotlib、seaborn、plotly 等绘图库集成。
6. 统计检验
提供 PERMANOVA、ANOSIM、PERMDISP、Mantel 检验、Bioenv 等生态与生物数据专用假设检验。置换检验提供非参数显著性检验，建议使用 999 次以上置换以获得稳健 p 值。
7. 文件 I/O 与格式转换
支持 19 种以上生物文件格式的读写与自动格式检测，包括序列（FASTA、FASTQ、GenBank、EMBL、QSeq）、比对（Clustal、PHYLIP、Stockholm）、树（Newick）、表（BIOM 的 HDF5 与 JSON）、距离（分隔方阵）、分析（BLAST+6/7、GFF3、排序结果）以及元数据（TSV/CSV）。大文件可使用生成器以节省内存。
8. 距离矩阵
支持存储对称（DistanceMatrix）或非对称（DissimilarityMatrix）数据，基于 ID 的索引与切片，与多样性、排序和统计检验集成，支持分隔文本格式读写。DistanceMatrix 强制对称且对角线为零。
9. 生物表
支持微生物组研究中常见的特征表（OTU/ASV 表），提供 BIOM 格式 I/O（HDF5 与 JSON），与 pandas、polars、AnnData、numpy 集成，支持数据增强技术（phylomix、mixup、组合方法）、样本/特征过滤与归一化以及元数据集成。
10. 蛋白质嵌入
支持存储蛋白质语言模型（ESM、ProtTrans 等）的嵌入，将嵌入转换为距离矩阵，生成用于可视化的排序对象，并导出为 numpy/pandas 以供机器学习工作流使用。
使用方式
安装命令：
uv pip install scikit-bio
常见工作流包括：
- 微生物组多样性分析：读取 BIOM 表 → 计算 alpha/beta 多样性 → 排序（PCoA）→ 统计检验（PERMANOVA）
- 系统发育分析：读取序列 → 比对 → 构建距离矩阵 → 构建树 → 计算系统发育距离
- 序列处理：读取 FASTQ → 质量过滤 → 修剪/清洗 → 查找基序 → 翻译 → 写出 FASTA
- 比较基因组学：读取序列 → 成对比对 → 计算距离 → 构建树 → 分析分支
代码示例（序列操作）：
import skbio
seq = skbio.DNA.read('input.fasta')
rc = seq.reverse_complement()
rna = seq.transcribe()
protein = rna.translate()
motif_positions = seq.find_with_regex('ATG[ACGT]{3}')
代码示例（多样性分析）：
from skbio.diversity import alpha_diversity, beta_diversity
alpha = alpha_diversity('shannon', counts_matrix, ids=sample_ids)
bc_dm = beta_diversity('braycurtis', counts_matrix, ids=sample_ids)
代码示例（统计检验）：
from skbio.stats.distance import permanova
permanova_results = permanova(distance_matrix, grouping, permutations=999)
适用场景
适用于生物信息学与微生物生态学研究，包括微生物组多样性分析、系统发育分析、序列处理与清洗、比较基因组学、群落生态统计检验，以及蛋白质语言模型嵌入的下游分析（如序列聚类、分类和可视化）。该库与 Biopython、pandas、polars、AnnData、scikit-learn 及 QIIME 2 生态集成，可与 QIIME 2 的 BIOM、树和距离矩阵等产物无缝配合。
限制
资料未提供关于收费、价格、平台支持范围或具体性能基准的说明。部分指标有前置要求：系统发育指标（Faith's PD、UniFrac）需要树和 OTU ID 映射；多样性计算的计数必须为整数丰度而非相对频率；某些树指标对是否定根有要求。大文件处理建议使用生成器，大规模系统发育树建议优先使用 GME 或 BME，大表建议使用 BIOM（HDF5）而非 JSON。