🎼🧬 lightmotif

一个轻量级的 平台加速 库，用于使用 生物基序 扫描 位置权重矩阵.

🗺️ 概述

使用 基序 和 位置权重矩阵（也称为位置特异性得分矩阵）进行扫描是识别生物序列内固定长度基序的稳健方法。它们可以用来识别DNA中的转录因子 结合位点，或者在蛋白酶 切割位点的多肽。位置权重矩阵通常被视为 序列图

lightmotif 库提供了一个 Python 模块，用于在位置权重矩阵中运行高效的基序搜索。位置扫描结合了多种技术，以实现序列的高通量处理

• 编译时定义字母表和矩阵维度。
• 序列符号编码用于快速表查找，类似于 HMMER[1] 或 MEME[2]
• 条带序列矩阵以并行处理多个位置，灵感来自 Michael Farrar[3]。
• 使用 AVX2 的 permute 指令进行向量化矩阵行查找。

这是 Python 版本，还有一个可用的 Rust crate。

🔧 安装

lightmotif 可以直接从 PyPI 安装，它托管了大多数主流平台的预构建轮和从源代码编译所需的代码

$ pip install lightmotif

如果您必须从源代码编译此软件包，所有必需的 Rust 库都已包含在源分布中，并且如果没有主机机器上的 Rust 编译器，则会自动设置一个。

💡 示例

基序接口应该与 Bio.motifs 模块兼容，该模块来自 Biopython。值得注意的是，PSSM对象的calculate方法期望一个条带序列。

import lightmotif

# Create a count matrix from an iterable of sequences
motif = lightmotif.create(["GTTGACCTTATCAAC", "GTTGATCCAGTCAAC"])

# Create a PSSM with 0.1 pseudocounts and uniform background frequencies
pwm = motif.counts.normalize(0.1)
pssm = pwm.log_odds()

# Encode the target sequence into a striped matrix
seq = "ATGTCCCAACAACGATACCCCGAGCCCATCGCCGTCATCGGCTCGGCATGCAGATTCCCAGGCG"
striped = lightmotif.stripe(seq)

# Compute scores using the fastest backend implementation for the host machine
scores = pssm.calculate(sseq)

⏱️ 基准测试

基准测试使用来自 PRODORIC[4] 的 MX000001 基序，以及 大肠杆菌 K12 菌株的完整基因组。在 i7-10710U CPU 上以 1.10GHz 运行，并使用 --target-cpu=native 编译执行基准测试。

lightmotif (avx2):      5,479,884 ns/iter    (+/- 3,370,523) = 807.8 MiB/s
Bio.motifs:           334,359,765 ns/iter   (+/- 11,045,456) =  13.2 MiB/s
MOODS.scan:           182,710,624 ns/iter    (+/- 9,459,257) =  24.2 MiB/s
pymemesuite.fimo:     239,694,118 ns/iter    (+/- 7,444,620) =  18.5 MiB/s

💭 反馈

⚠️ 问题跟踪器

发现了一个错误？有增强请求？如果您需要报告或询问某些内容，请前往 GitHub 问题跟踪器。如果您正在提交一个错误，请尽可能提供有关问题的详细信息，并尝试在简单、易于复现的情况下重现相同的错误。

📋 变更日志

本项目遵循 语义版本控制，并在 Keep a Changelog 格式中提供 变更日志。

⚖️ 许可证

本库在GNU通用公共许可证3.0或更高版本下提供，因为它包含TFM-PVALUE算法的GPL许可代码。可以通过禁用pvalue crate功能来禁用TFM-PVALUE依赖项，在这种情况下，代码可以在MIT许可证的条款下使用和重新分发。

该项目由Martin Larralde在欧洲分子生物学实验室的Zeller团队的博士项目中开发。

📚 参考文献

• [1] Eddy, Sean R. ‘Accelerated Profile HMM Searches’. PLOS Computational Biology 7, no. 10 (20 October 2011): e1002195. doi:10.1371/journal.pcbi.1002195.
• [2] Grant, Charles E., Timothy L. Bailey, and William Stafford Noble. ‘FIMO: Scanning for Occurrences of a given Motif’. Bioinformatics 27, no. 7 (1 April 2011): 1017–18. doi:10.1093/bioinformatics/btr064.
• [3] Farrar, Michael. ‘Striped Smith–Waterman Speeds Database Searches Six Times over Other SIMD Implementations’. Bioinformatics 23, no. 2 (15 January 2007): 156–61. doi:10.1093/bioinformatics/btl582.
• [4] Dudek, Christian-Alexander, and Dieter Jahn. ‘PRODORIC: State-of-the-Art Database of Prokaryotic Gene Regulation’. Nucleic Acids Research 50, no. D1 (7 January 2022): D295–302. doi:10.1093/nar/gkab1110.