上位效应

用于估计基因型-表型图谱中统计高阶上位效应的Python API。

所有模型都遵循Scikit-learn接口，因此可以无缝地集成到PyData生态系统。有关此包中包含的模型类型，请参阅我们的文档。您还可以在我们的论文中了解更多关于这些模型背后的理论。

最后，如果您想在不安装的情况下测试这个包，请尝试这些Jupyter笔记本在这里（感谢Binder！）。

示例

Epistasis软件包在结合GPMap时表现最佳，GPMap是一个用于管理基因型-表型映射数据的API。构建一个GenotypePhenotypeMap对象，并将其直接传递给一个上位性模型。

# Import a model and the plotting module
from gpmap import GenotypePhenotypeMap
from epistasis.models import EpistasisLinearRegression
from epistasis.pyplot import plot_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))

更多示例可以在这些binder笔记本中找到。

安装

Epistasis在Python 3+（我们不保证它在Python 2中也能工作）中运行。

要安装PyPi上的最新版本

pip install epistasis

要从源安装，克隆此存储库并运行

pip install -e .

文档

文档和API参考可以在这里查看。

依赖项

• 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：易于使用的机器学习算法。
• Numpy：Python的数组操作封装。
• Scipy：高效的科学数组和拟合操作。
• lmfit：Python中的非线性最小二乘优化和曲线拟合。

可选依赖项

• matplotlib：Python绘图API。
• ipython：交互式Python内核。
• jupyter notebook：用于交互式运行Python内核的交互式笔记本应用程序。
• ipywidgets：Python中的交互式小部件。

开发

我们欢迎拉取请求！如果你发现了一个错误，我们希望你能修复它。如果你想要添加一个功能，请提交一个描述添加的拉取请求。我们还要求你为新功能编写适当的单元测试，并添加到我们的Sphinx文档中。

要运行此包的测试，请确保已安装pytest并从基础目录运行

pytest

引用

如果你用此API进行研究，请引用这篇论文。

你也可以直接引用软件

@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}
}