🐍🧮 PyFAMSA

Cython 绑定和 Python 接口到 FAMSA，一个用于超大规模多重序列比对算法。

⚠️ 本软件包基于 FAMSA 2。

🗺️ 概述

FAMSA 是 Deorowicz 等人在 2016 年发表的一种用于大规模多重序列比对的方法。[1] 它使用了最先进的时间和内存优化以及快速引导树启发式算法，以实现非常高的性能和精度。

PyFAMSA 是一个 Python 模块，它使用 Cython 提供了对 FAMSA 的绑定。它实现了一个用户友好的、Pythonic 的接口，可以使用不同的参数对蛋白质序列进行比对，并直接访问结果。它与 FAMSA 库接口交互，具有以下优点

• 单一依赖：PyFAMSA 以 Python 软件包的形式分发，因此您可以将它作为依赖项添加到您的项目中，无需担心 FAMSA 二进制文件是否存在于最终用户机器上。
• 无中间文件：所有操作都在内存中完成，在您控制的 Python 对象中进行，因此您无需通过子进程和临时文件调用 FAMSA CLI。
• 友好接口：在配置新的 Aligner 时，可以简单地通过关键字参数从 Python 代码中选择不同的引导树构建方法和启发式算法。
• 自定义打分矩阵：您可以使用来自 scoring-matrices 库的任何自定义打分矩阵，除了默认的 MIQS 以外，来评分比对。

🔧 安装

PyFAMSA 可以直接从 PyPI 安装，其中包含一些针对 x86-64 架构（Linux/OSX）和 Aarch64 架构（仅 Linux）的预构建轮，以及使用 Cython 编译所需的代码

$ pip install pyfamsa

否则，PyFAMSA 也可以作为 Bioconda 软件包提供

$ conda install -c bioconda pyfamsa

否则，请参阅 安装页面 的 在线文档

💡 示例

让我们在内存中创建一些序列，使用 UPGMA 方法（不使用任何启发式算法）进行比对，并将比对结果直接打印到屏幕上

from pyfamsa import Aligner, Sequence

sequences = [
    Sequence(b"Sp8",  b"GLGKVIVYGIVLGTKSDQFSNWVVWLFPWNGLQIHMMGII"),
    Sequence(b"Sp10", b"DPAVLFVIMLGTITKFSSEWFFAWLGLEINMMVII"),
    Sequence(b"Sp26", b"AAAAAAAAALLTYLGLFLGTDYENFAAAAANAWLGLEINMMAQI"),
    Sequence(b"Sp6",  b"ASGAILTLGIYLFTLCAVISVSWYLAWLGLEINMMAII"),
    Sequence(b"Sp17", b"FAYTAPDLLLIGFLLKTVATFGDTWFQLWQGLDLNKMPVF"),
    Sequence(b"Sp33", b"PTILNIAGLHMETDINFSLAWFQAWGGLEINKQAIL"),
]

aligner = Aligner(guide_tree="upgma")
msa = aligner.align(sequences)

for sequence in msa:
      print(sequence.id.decode().ljust(10), sequence.sequence.decode())

这将输出以下内容

Sp10       --------DPAVLFVIMLGTIT-KFS--SEWFFAWLGLEINMMVII
Sp17       ---FAYTAPDLLLIGFLLKTVA-TFG--DTWFQLWQGLDLNKMPVF
Sp26       AAAAAAAAALLTYLGLFLGTDYENFA--AAAANAWLGLEINMMAQI
Sp33       -------PTILNIAGLHMETDI-NFS--LAWFQAWGGLEINKQAIL
Sp6        ------ASGAILTLGIYLFTLCAVIS--VSWYLAWLGLEINMMAII
Sp8        ------GLGKVIVYGIVLGTKSDQFSNWVVWLFPWNGLQIHMMGII

🧶 线程安全

Aligner 对象是线程安全的，align 方法是可重入的。您可以使用单个 ThreadPool 对象并行处理多个比对

import glob
import multiprocessing.pool
import Bio.SeqIO
from pyfamsa import Aligner, Sequence

families = [
    [ Sequence(r.id.encode(), r.seq.encode()) for r in Bio.SeqIO.parse(file, "fasta") ]
    for file in glob.glob("pyfamsa/tests/data/*.faa")
]

aligner = Aligner()
with multiprocessing.pool.ThreadPool() as pool:
    alignments = pool.map(aligner.align, families)

🔎 参考信息

完成蛋白质比对了吗？您可能想对其进行修剪：在这种情况下，您可以使用 pytrimal Python 软件包，它包装了 trimAl 2.0。或者，也许您想从比对中构建一个 HMM？那么，也许可以看看 pyhmmer，这是一个 Python 软件包，它包装了 HMMER。

💭 反馈

⚠️ 问题跟踪器

发现了错误？有增强请求吗？如果您需要报告或询问某些内容，请访问 GitHub 问题跟踪器。如果您正在提交错误报告，请尽可能提供有关问题的详细信息，并尝试在一个简单、易于复现的情况下重现相同的错误。

🏗️ 贡献

欢迎贡献！有关更多详细信息，请参阅 CONTRIBUTING.md

📋 更新日志

本项目遵循语义化版本控制，并提供符合Keep a Changelog 格式的变更日志。

📜 许可证

本库遵循GNU通用公共许可证v3.0。FAMSA由REFRESH生物信息学组开发，也以GPLv3许可证分发。更多信息请参阅vendor/FAMSA/LICENSE。此外，FAMSA还提供了一些用于兼容性的库，所有这些库均在PyFAMSA中以各自的条款重新分发：atomic_wait（MIT许可证）、mimalloc（MIT许可证）、libdeflate（MIT许可证）、Boost（Boost软件许可证）。

本项目与FAMSA作者无关，未获得其赞助或认可。该项目由Martin Larralde在其博士项目期间开发，当时他在欧洲分子生物学实验室的Zeller团队工作。

📖 参考文献

• [1] Deorowicz, Sebastian, Debudaj-Grabysz, Agnieszka & Gudyś, Adam. ‘FAMSA: Fast and accurate multiple sequence alignment of huge protein families’. Sci Rep 6, 33964 (2016). doi:10.1038/srep33964