Biopython - Phenotype Microarray

表型定义为生物体针对特定化学品或环境展示的可观察特征或特征.表型微阵列同时测量生物体对大量化学物质的反应.环境和分析数据，以了解基因突变，基因特征等.

Biopython提供了一个很好的模块，Bio.Phenotype来分析表型数据.让我们学习如何解析，插入，提取和分析本章中的表型微阵列数据.

解析

表型微阵列数据可以是两个格式:CSV和JSON. Biopython支持这两种格式. Biopython解析器解析表型微阵列数据并作为PlateRecord对象的集合返回.每个PlateRecord对象都包含一组WellRecord对象.每个WellRecord对象保存8行12列格式的数据.八行由A到H表示，12列由01到12表示.例如，4 ^th 行和6 ^th 列由D06表示.

让我们通过以下示例理解解析的格式和概念 :

步骤1 : 下载Biopython团队提供的Plates.csv文件 :   https://raw.githubusercontent.com/biopython/biopython/master/Doc/examples/Plates. csv

第2步 : 将phenotpe模块加载如下 :

>>> from Bio import phenotype

第3步 : 传递phenotype.parse方法传递数据文件和格式选项("pm-csv").它返回如下所示的可迭代PlateRecord，

>>> plates = list(phenotype.parse('Plates.csv', "pm-csv")) >>> plates [PlateRecord('WellRecord['A01'], WellRecord['A02'], WellRecord['A03'], ..., WellRecord['H12']'), PlateRecord('WellRecord['A01'], WellRecord['A02'], WellRecord['A03'], ..., WellRecord['H12']'), PlateRecord('WellRecord['A01'], WellRecord['A02'], WellRecord['A03'], ..., WellRecord['H12']'), PlateRecord('WellRecord['A01'], WellRecord['A02'],WellRecord['A03'], ..., WellRecord['H12']')] >>>

第4步 : 从列表中访问第一个牌照，如下所示;

>>> plate = plates[0] >>> plate PlateRecord('WellRecord['A01'], WellRecord['A02'], WellRecord['A03'], ...,WellRecord['H12']')>>>

第5步 : 如前所述，一个盘子包含8行，每行有12个项目. WellRecord可以通过两种方式访问，如下所示 :

>>> well = plate["A04"] >>> well = plate[0, 4] >>> well WellRecord('(0.0, 0.0), (0.25, 0.0), (0.5, 0.0), (0.75, 0.0),    (1.0, 0.0), ..., (71.75, 388.0)')>>>

第6步 : 每个井将在不同的时间点进行一系列测量，并且可以使用for循环访问，如下所示 :

>>> for v1, v2 in well: ... print(v1, v2) ... 0.0 0.0 0.25 0.0 0.5 0.0 0.75 0.0 1.0 0.0 ... 71.25 388.0 71.5 388.0 71.75 388.0>>>

插值

插值可以更深入地了解数据. Biopython提供了插入WellRecord数据以获取中间时间点信息的方法.语法与列表索引类似，因此易于学习.

要在20.1小时获取数据，只需按下面指定的索引值传递 :

 >>> [20.10]  69.40000000000003 >>>

我们可以传递开始时间点和结束时间点以及指定的下方和下方;

 >>> [20:30]  [67.0,84.0,1020.0,119.0,135.0,147.0,158.0,168.0,179.0,186.0] >>>

上述命令以20小时到30小时内插数据，间隔为1小时.默认情况下，间隔为1小时，我们可以将其更改为任何值.例如，让我们给出15分钟(0.25小时)的间隔，如下所示 :

 >>> [20:21:0.25]  [67.0,73.0,75.0,81.0] >>>

分析和提取

Biopython提供了一种适用于使用Gompertz，Logistic和Richards sigmoid函数分析WellRecord数据的方法.默认情况下，fit方法使用Gompertz函数.我们需要调用WellRecord对象的fit方法来完成任务.编码如下 :

>>> well.fit() Traceback (most recent call last): ... Bio.MissingPythonDependencyError: Install scipy to extract curve parameters. >>> well.model >>> getattr(well, 'min') 0.0 >>> getattr(well, 'max') 388.0 >>> getattr(well, 'average_height') 205.42708333333334>>>

Biopython依靠scipy模块进行高级分析.它将在不使用scipy模块的情况下计算min，max和average_height细节.