🐍⏩🧬 PyFastANI

Cython 绑定和Python接口到 FastANI，一种用于快速全基因组相似性估计的方法。 现在支持多线程！

🗺️ 概述

FastANI是2018年由 Chirag Jain 等人发表的一种方法，用于高通量计算全基因组的 平均核苷酸身份 (ANI)。它使用 MashMap 来计算直系同源映射，无需昂贵的对齐。

pyfastani 是一个 Python 模块，使用 Cython 语言实现，提供了对 FastANI 的绑定。它直接与 FastANI 的内部结构交互，相较于 CLI 包装器有以下优点

• 更简单的编译：FastANI 需要几个额外的库，这使得编译原始二进制文件变得复杂。在 PyFastANI 中，所需的用于线程或 I/O 的库作为存根提供，Boost::math 头文件被转售，这样您就可以无需麻烦地构建软件包。或者，更好的是，只需安装提供的轮子即可！
• 单一依赖：如果您的软件或分析流程以 Python 软件包的形式分发，您可以将 pyfastani 添加到项目中作为依赖项，并停止担心 FastANI 二进制文件是否存在于最终用户机器上。
• 无 I/O：所有操作都在内存中完成，在您控制的 Python 对象中完成，这使得在没有将序列写入临时文件的情况下将序列传递给 FastANI 更加容易。
• 多线程：基因组查询通过并行处理片段映射步骤，即使在单个基因组的情况下，也能缩短查询时间。

这个库仍在开发中，处于实验阶段，但它应该已经包含足够的功能，可以用于标准流程。

🔧 安装

PyFastANI 可以直接从 PyPI 安装，该网站托管一些预构建的 x86-64 Unix 平台的 CPython 轮子，以及用于使用 Cython 从源代码编译所需的代码。

$ pip install pyfastani

如果您必须从源代码编译软件包，所有必需的库都包含在源代码发行版中，因此您只需要一个 C/C++ 编译器。

否则，PyFastANI 也作为 Bioconda 软件包提供。

$ conda install -c bioconda pyfastani

💡 示例

以下片段显示了如何计算两个基因组之间的 ANI，其中参考基因组是一个草图基因组。对于一对一或一对多搜索，只需在索引之前使用 m.add_draft 添加额外的参考即可。请注意，可以为参考序列命名任何名称，这只会影响查询返回的命中项的 name 属性。

🔬 Biopython

Biopython 不允许我们直接访问序列，因此我们需要使用内置的 bytes 函数将其转换为字节。对于 Biopython 的旧版本（1.79 之前），请使用 record.seq.encode() 而不是 bytes(record.seq)。

import pyfastani
import Bio.SeqIO

sketch = pyfastani.Sketch()

# add a single draft genome to the mapper, and index it
ref = list(Bio.SeqIO.parse("vendor/FastANI/data/Shigella_flexneri_2a_01.fna", "fasta"))
sketch.add_draft("S. flexneri", (bytes(record.seq) for record in ref))

# index the sketch and get a mapper
mapper = sketch.index()

# read the query and query the mapper
query = Bio.SeqIO.read("vendor/FastANI/data/Escherichia_coli_str_K12_MG1655.fna", "fasta")
hits = mapper.query_sequence(bytes(query.seq))

for hit in hits:
    print("E. coli K12 MG1655", hit.name, hit.identity, hit.matches, hit.fragments)

🧪 Scikit-bio

Scikit-bio 允许我们直接将序列作为 numpy 数组访问，但默认情况下将值显示为字节字符串。为了使它们可读为 char（与 C 代码兼容），必须使用 seq.values.view('B') 进行类型转换。

import pyfastani
import skbio.io

sketch = pyfastani.Sketch()

ref = list(skbio.io.read("vendor/FastANI/data/Shigella_flexneri_2a_01.fna", "fasta"))
sketch.add_draft("Shigella_flexneri_2a_01", (seq.values.view('B') for seq in ref))

mapper = sketch.index()

# read the query and query the mapper
query = next(skbio.io.read("vendor/FastANI/data/Escherichia_coli_str_K12_MG1655.fna", "fasta"))
hits = mapper.query_genome(query.values.view('B'))

for hit in hits:
    print("E. coli K12 MG1655", hit.name, hit.identity, hit.matches, hit.fragments)

⏱️ 基准测试

在原始 FastANI 工具中，多线程仅用于提高一对多搜索的性能：每个线程都会有一块参考基因组，查询将针对每个参考并行进行。然而，对于少量参考基因组，可能不足以让所有线程工作，因此它不能随着线程数量的增加而扩展。此外，这会导致相同的查询基因组被哈希多次，这不是最佳选择。在 pyfastani 中，多线程用于计算查询基因组片段的哈希和映射。这使得在只有少量参考基因组可用的情况下，并行性仍然有用。

以下基准测试显示了使用可变数量的线程查询单个基因组（使用 Mapper.query_draft）所需的时间。基准测试在运行 @1.80GHz 的 i7-8550U CPU（4 个物理核心/8 个逻辑核心）上，使用来自 proGenomes 数据库的 50 个细菌基因组进行。为了清晰起见，第二张图上只显示了随机选择的 5 个基因组。每次运行重复 3 次。

🔖 引用

PyFastANI 是一款科学软件；它在 ECCB 2022 期间与其它优化软件一同在 欧洲学生委员会研讨会（ESCS）2022 上展出。如果您在学术工作中使用 PyFastANI，例如将其作为 PyFastANI 和 FastANI 的引用，请务必引用这两者。

PyFastANI (Larralde, 2022)，一个与 FastANI (Jain 等，2018) 优化绑定的 Python 库。

🔎 相关

计算宏基因组序列的 ANI？您可能对使用 skani 方法（由 Jim Shaw 和 Yun William Yu 开发）的 pyskani，一个用于计算 ANI 的 Python 包）感兴趣。

💭 反馈

⚠️ 问题追踪器

发现错误？有增强请求？如果您需要报告或询问某些问题，请访问 GitHub 问题追踪器。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。

⚖️ 许可证

此库根据 MIT 许可证 提供。

FastANI 代码由 Chirag Jain 编写，并按 Apache License 2.0 的条款分发，除非在供应商源中另有说明。有关更多信息，请参阅 vendor/FastANI/LICENSE。 cpu_features 代码由 Guillaume Chatelet 编写，并按 Apache License 2.0 的条款分发。有关更多信息，请参阅 vendor/cpu_features/LICENSE。 Boost::math 头文件由 Boost Libraries 贡献者编写，并按 Boost 软件许可证 的条款分发。有关更多信息，请参阅 vendor/boost-math/LICENSE。

本项目与 原始 FastANI 作者 无任何关联、赞助或其它形式的背书。该项目由 Martin Larralde 在欧洲分子生物学实验室（EMBL）的 Zeller 团队 的博士项目期间开发。