SuperAPI AI 工具集
合作ENAI 行业资讯收藏
Skill 广场scikit-bio

scikit-bio

数据与分析

查看项目

更新于 10-16 04:03

技能介绍

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、微生物生态学和多元统计等方向。本介绍依据其能力说明整理，未提供的收费、平台或效果信息不作推测。

一、用途

该工具适用于以下场景：处理生物序列（DNA、RNA、蛋白质）；读写生物文件格式（FASTA、FASTQ、GenBank、Newick、BIOM 等）；进行序列比对或基序查找；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）；对生物或生态数据运行统计检验（PERMANOVA、ANOSIM、Mantel）；分析微生物组或群落生态数据；处理蛋白质语言模型嵌入；操作生物数据表。

二、主要能力

  1. 序列操作：使用 DNA、RNA、蛋白质专用类；支持从 FASTA、FASTQ、GenBank、EMBL 读取与写入；序列切片、拼接、搜索；反向互补、转录（DNA→RNA）、翻译（RNA→蛋白质）；用正则查找基序；计算距离（Hamming、基于 k-mer）；处理序列质量分数与元数据。通用 Sequence 类可用于无字母表限制的序列，FASTQ 质量分数自动载入位置元数据，元数据类型包括序列级、位置级和区间级。

  2. 序列比对：全局比对（Needleman-Wunsch 及半全局变体）、局部比对（Smith-Waterman，local_pairwise_align_ssw 更快）、可配置评分方案、CIGAR 字符串转换、TabularMSA 多序列比对存储与操作、共识序列计算，并可在 scikit-bio、BioPython、Biotite 比对格式间转换。蛋白质比对可用 StripedSmithWaterman。

  3. 系统发育树：从距离矩阵构建树（UPGMA、WPGMA、邻接法 nj、GME、BME）；树修剪、重根、遍历；距离计算（patristic、cophenetic、Robinson-Foulds）；ASCII 可视化；Newick 读写。GME、BME 对大树可扩展性较好。

  4. 多样性分析：alpha 多样性（丰富度、Shannon 熵、Simpson 指数、Faith's PD、Pielou 均匀度）；beta 多样性（Bray-Curtis、Jaccard、加权/非加权 UniFrac、欧氏距离）；系统发育多样性指标需要树输入；稀疏化与子采样。计数须为整数丰度，系统发育指标需树与 OTU ID 映射，beta 多样性返回 DistanceMatrix。

  5. 排序方法：PCoA、CA、CCA、RDA 及双标投影，结果包含特征值、解释比例与样本/特征坐标，可与 matplotlib、seaborn、plotly 配合可视化，并支持保存与读取。

  6. 统计检验：PERMANOVA、ANOSIM、PERMDISP、Mantel 检验、Bioenv。置换检验提供非参数显著性，建议 999 次以上置换；PERMANOVA 对离散度差异敏感，宜配合 PERMDISP。

  7. 文件 I/O 与格式转换：支持 19 种以上生物格式，包括序列（FASTA、FASTQ、GenBank、EMBL、QSeq）、比对（Clustal、PHYLIP、Stockholm）、树（Newick）、表（BIOM 的 HDF5 与 JSON）、距离矩阵、BLAST+6/7、GFF3、排序结果及带校验的 TSV/CSV 元数据。大文件可用生成器节约内存，格式可自动检测。

  8. 距离矩阵：DistanceMatrix（对称、对角为零）与 DissimilarityMatrix（允许非对称）；基于 ID 的索引与切片；可读写分隔文本格式；与 pandas、numpy、scikit-learn 兼容。

  9. 生物表：BIOM 格式读写，与 pandas、polars、AnnData、numpy 集成，支持数据增强（phylomix、mixup、组成型方法）、样本/特征过滤与归一化、元数据集成。BIOM 表常见于 QIIME 2 工作流。

  10. 蛋白质嵌入：支持蛋白质语言模型嵌入（ESM、ProtTrans 等）的存储、转换为距离矩阵、生成排序对象以可视化，并可导出为 numpy/pandas 供机器学习使用，衔接蛋白质语言模型与传统生物信息学分析。

三、使用方式

安装命令：uv pip install scikit-bio。

典型代码模式示例（资料原文给出）：

读取序列：seq = skbio.DNA.read('input.fasta')

序列操作：rc = seq.reverse_complement()；rna = seq.transcribe()；protein = rna.translate()

基序查找：motif_positions = seq.find_with_regex('ATG[ACGT]{3}')

双序列比对：from skbio.alignment import local_pairwise_align_ssw

多序列比对：msa = TabularMSA.read('alignment.fasta', constructor=skbio.DNA)

树构建：from skbio.tree import nj；tree = nj(distance_matrix)

多样性：alpha = alpha_diversity('shannon', counts_matrix, ids=sample_ids)；bc_dm = beta_diversity('braycurtis', counts_matrix, ids=sample_ids)

排序：from skbio.stats.ordination import pcoa；pcoa_results = pcoa(distance_matrix)

统计：from skbio.stats.distance import permanova；permanova_results = permanova(distance_matrix, grouping, permutations=999)

四、适用场景

常见工作流包括：微生物组多样性分析（读 BIOM 表 → 计算 alpha/beta 多样性 → PCoA 排序 → PERMANOVA 检验）；系统发育分析（读序列 → 比对 → 构建距离矩阵 → 建树 → 计算系统发育距离）；序列处理（读 FASTQ → 质量过滤 → 修剪 → 基序查找 → 翻译 → 写 FASTA）；比较基因组学（读序列 → 双序列比对 → 计算距离 → 建树 → 分析支系）。

五、限制与注意

计数须为整数丰度而非相对频率；系统发育指标需要树与 OTU ID 映射；Beta 多样性可用 partial_beta_diversity() 并行计算指定样本对；大树建议用 GME 或 BME 而非 NJ；BIOM 的 HDF5 格式比 JSON 更高效；大文件建议使用生成器避免内存问题；PERMANOVA 对离散度差异敏感，需配合 PERMDISP。其余关于收费、价格、平台支持等信息暂未提供。

六、参考资源

官方文档：https://scikit.bio/docs/latest/；GitHub 仓库：https://github.com/scikit-bio/scikit-bio；论坛支持：https://forum.qiime2.org（scikit-bio 属于 QIIME 2 生态）。