scikit-bio

¿Qué hace scikit-bio?

Descripción general

scikit-bio es una biblioteca completa de Python para trabajar con datos biológicos. Aplica esta habilidad para análisis bioinformáticos que abarcan manipulación de secuencias, alineamiento, filogenética, ecología microbiana y estadística multivariante.

Cuándo usar esta habilidad

Esta habilidad debe usarse cuando el usuario:

• Trabaja con secuencias biológicas (ADN, ARN, proteínas)
• Necesita leer/escribir formatos de archivo biológicos (FASTA, FASTQ, GenBank, Newick, BIOM, etc.)
• Realiza alineamientos de secuencias o búsqueda de motivos
• Construye o analiza árboles filogenéticos
• Calcula métricas de diversidad (diversidad alfa/beta, distancias UniFrac)
• Realiza análisis de ordenación (PCoA, CCA, RDA)
• Ejecuta pruebas estadísticas sobre datos biológicos/ecológicos (PERMANOVA, ANOSIM, Mantel)
• Analiza datos de microbiomas o ecología de comunidades
• Trabaja con embeddings de proteínas de modelos de lenguaje
• Necesita manipular tablas de datos biológicos

Capacidades principales

1. Manipulación de secuencias

Trabaja con secuencias biológicas usando clases especializadas para datos de ADN, ARN y proteínas.

Operaciones clave:

• Leer/escribir secuencias de formatos FASTA, FASTQ, GenBank, EMBL
• Segmentación, concatenación y búsqueda de secuencias
• Complemento inverso, transcripción (ADN→ARN) y traducción (ARN→proteína)
• Encontrar motivos y patrones usando regex
• Calcular distancias (Hamming, basadas en k-mer)
• Manejar puntuaciones de calidad y metadatos de secuencia

Patrones comunes:

import skbio

# Leer secuencias de archivo
seq = skbio.DNA.read('input.fasta')

# Operaciones de secuencia
rc = seq.reverse_complement()
rna = seq.transcribe()
protein = rna.translate()

# Encontrar motivos
motif_positions = seq.find_with_regex('ATG[ACGT]{3}')

# Verificar propiedades
has_degens = seq.has_degenerates()
seq_no_gaps = seq.degap()

Notas importantes:

• Usa las clases DNA, RNA, Protein para secuencias gramaticales con validación
• Usa la clase Sequence para secuencias genéricas sin restricciones de alfabeto
• Las puntuaciones de calidad se cargan automáticamente de archivos FASTQ en metadatos posicionales
• Tipos de metadatos: a nivel de secuencia (ID, descripción), posicional (por base), de intervalo (regiones/características)

2. Alineamiento de secuencias

Realiza alineamientos de secuencias pareados y múltiples usando el motor pair_align (introducido en scikit-bio 0.7.0), un alineador versátil y eficiente de programación dinámica.

Capacidades clave:

• Alineamiento global, local y semi-global (extremos libres configurables) en una sola función
• Envoltorios convenientes pair_align_nucl (similar a BLASTN) y pair_align_prot (similar a BLASTP)
• Puntuación configurable: tupla de coincidencia/discrepancia o matriz de sustitución nombrada; penalizaciones de gap lineales o afines
• Los resultados PairAlignPath llevan cadenas CIGAR y se convierten en secuencias alineadas
• Almacenamiento y manipulación de alineamientos múltiples con TabularMSA

Patrones comunes:

from skbio import DNA, Protein
from skbio.alignment import pair_align_nucl, pair_align_prot, pair_align, TabularMSA

# Alineamiento de nucleótidos con valores predeterminados similares a BLASTN
seq1, seq2 = DNA('ACTACCAGATTACTTACGGATCAGG'), DNA('CGAAACTACTAGATTACGGATCTTA')
aln = pair_align_nucl(seq1, seq2)
aln.score                                  # puntuación de alineamiento (float)
path = aln.paths[0]                        # PairAlignPath (repr muestra CIGAR)
aligned_seqs = path.to_aligned((seq1, seq2))  # lista de cadenas con gaps

# Construir un TabularMSA desde la ruta de alineamiento + secuencias originales
msa = TabularMSA.from_path_seqs(path, (seq1, seq2))

# Personalizar el algoritmo mediante pair_align (mode='global' por defecto)
aln = pair_align(seq1, seq2, mode='local')                       # Smith-Waterman
aln = pair_align(seq1, seq2, sub_score=(2, -3), gap_cost=(5, 2)) # gaps afines
aln = pair_align(seq1, seq2, sub_score='NUC.4.4', gap_cost=3)    # matriz de sustitución, gap lineal

# Alineamiento de proteínas (similar a BLASTP, BLOSUM62)
aln = pair_align_prot(Protein('HEAGAWGHEE'), Protein('PAWHEAE'))

# Leer un alineamiento múltiple de archivo y resumir
msa = TabularMSA.read('alignment.fasta', constructor=DNA)
consensus = msa.consensus()

Notas importantes:

• pair_align reemplaza el envoltorio SSW eliminado (local_pairwise_align_ssw, StripedSmithWaterman) y los alineadores Python puros obsoletos (global_pairwise_align, local_pairwise_align_nucleotide, etc.)
• El resultado es un PairAlignResult que también se desempaqueta como score, paths, matrices (usa keep_matrices=True para retener la matriz DP)
• sub_score acepta una tupla (match, mismatch) o un nombre de matriz (por ejemplo, 'NUC.4.4', 'BLOSUM62'); gap_cost acepta un solo número (lineal) o una tupla (open, extend) (afín)
• Analiza cadenas CIGAR externas con PairAlignPath.from_cigar('1I8M2D5M2I'); puntúa un alineamiento existente con align_score(...) y construye una matriz de distancias desde un MSA con align_dists(...)

3. Árboles filogenéticos

Construye, manipula y analiza árboles filogenéticos que representan relaciones evolutivas.

Capacidades clave:

• Construcción de árboles a partir de matrices de distancias (UPGMA/WPGMA, Neighbor Joining, GME, BME)
• Reordenamiento de árboles con intercambio de vecinos más cercanos (nni)
• Manipulación de árboles (poda, reenraizamiento, recorrido)
• Cálculos de distancias (patrística mediante cophenet, Robinson-Foulds mediante compare_rfd)
• Visualización ASCII
• E/S de formato Newick

Patrones comunes:

from skbio import TreeNode
from skbio.tree import nj, upgma, gme, bme, rf_dists

# Leer árbol de archivo
tree = TreeNode.read('tree.nwk')

# Construir árbol a partir de matriz de distancias
tree = nj(distance_matrix)

# Operaciones con árboles
subtree = tree.shear(['taxon1', 'taxon2', 'taxon3'])
tips = [node for node in tree.tips()]
lca = tree.lca(['taxon1', 'taxon2'])

# Calcular distancias
patristic_dist = tree.find('taxon1').distance(tree.find('taxon2'))
cophenetic_dm = tree.cophenet()           # matriz de distancia patrística entre puntas

# Comparar dos árboles (Robinson-Foulds)
rf_distance = tree.compare_rfd(other_tree)
# Distancias RF pareadas entre muchos árboles -> DistanceMatrix
rf_dm = rf_dists([tree, other_tree, third_tree])

Notas importantes:

• Usa nj() para neighbor joining (método filogenético clásico)
• Usa upgma() para UPGMA/WPGMA (asume reloj molecular)
• GME y BME son altamente escalables para árboles grandes; refina la topología con nni()
• cophenet() (anteriormente tip_tip_distances) devuelve la matriz de distancia patrística; compare_rfd() es el método Robinson-Foulds (compare_wrfd/compare_cophenet para variantes ponderadas/cophenéticas)
• lca() es el ancestro común más bajo; lowest_common_ancestor sigue siendo un alias
• Los árboles pueden tener raíz o no; algunas métricas requieren raíz específica

4. Análisis de diversidad

Calcula métricas de diversidad alfa y beta para ecología microbiana y análisis de comunidades.

Capacidades clave:

• Diversidad alfa: riqueza (sobs, observed_features, chao1, ace), Shannon, Simpson, números de Hill (hill), PD de Faith (faith_pd), PD generalizada (phydiv), uniformidad de Pielou
• Diversidad beta: Bray-Curtis, Jaccard, UniFrac ponderado/no ponderado, distancias Euclidianas
• Métricas de diversidad filogenética (requieren entrada de árbol)
• Rarefacción y submuestreo
• Integración con ordenación y pruebas estadísticas

Patrones comunes:

from skbio.diversity import alpha_diversity, beta_diversity

# Diversidad alfa (las métricas filogenéticas toman taxa= para mapear nombres de puntas)
alpha = alpha_diversity('shannon', counts_matrix, ids=sample_ids)
faith_pd = alpha_diversity('faith_pd', counts_matrix, ids=sample_ids,
                           tree=tree, taxa=feature_ids)

# Diversidad beta
bc_dm = beta_diversity('braycurtis', counts_matrix, ids=sample_ids)
unifrac_dm = beta_diversity('unweighted_unifrac', counts_matrix,
                            ids=sample_ids, tree=tree, taxa=feature_ids)

# Obtener métricas disponibles
from skbio.diversity import get_alpha_diversity_metrics
print(get_alpha_diversity_metrics())

Notas importantes:

• Los conteos deben ser enteros que representan abundancias, no frecuencias relativas
• El argumento de métrica filogenética es taxa= (renombrado de otu_ids en 0.6.0; el nombre antiguo es un alias obsoleto); observed_otus ahora es observed_features (o sobs)
• counts_matrix puede ser cualquier entrada similar a una tabla (array NumPy, DataFrame de pandas/polars, tabla BIOM o AnnData) a través del sistema de despacho
• Las métricas filogenéticas (PD de Faith, UniFrac) requieren árbol y mapeo de taxones a puntas
• Usa partial_beta_diversity() para pares de muestras específicos, o block_beta_diversity() para cálculos grandes descompuestos en bloques
• La diversidad alfa devuelve un pandas.Series, la diversidad beta devuelve una DistanceMatrix

5. Métodos de ordenación

Reduce datos biológicos de alta dimensión a espacios de menor dimensión visualizables.

Capacidades clave:

• PCoA (Análisis de Coordenadas Principales) a partir de matrices de distancias
• CA (Análisis de Correspondencias) para tablas de contingencia
• CCA (Análisis de Correspondencias Canónico) con restricciones ambientales
• RDA (Análisis de Redundancia) para relaciones lineales
• Proyección Biplot para interpretación de características

Patrones comunes:

from skbio.stats.ordination import pcoa, cca
import skbio

# PCoA desde matriz de distancias (limitar dimensiones para matrices grandes)
pcoa_results = pcoa(distance_matrix, dimensions=3)
pc1 = pcoa_results.samples['PC1']
pc2 = pcoa_results.samples['PC2']

# Gráfico de dispersión integrado coloreado por columna de metadatos
fig = pcoa_results.plot(sample_metadata, column='bodysite')

# CCA con variables ambientales
cca_results = cca(species_matrix, environmental_matrix)

# Guardar/cargar resultados de ordenación
pcoa_results.write('ordination.txt')
results = skbio.OrdinationResults.read('ordination.txt')

Notas importantes:

• PCoA funciona con cualquier matriz de distancia/disimilitud; pasa dimensions como un entero (recuento) o un flotante en (0, 1] (fracción de varianza acumulada a retener)
• OrdinationResults expone atributos basados en pandas: samples, features, eigvals, proportion_explained, biplot_scores, sample_constraints
• CCA revela los impulsores ambientales de la composición de la comunidad
• OrdinationResults.plot() produce una figura matplotlib; los resultados también se integran con seaborn/plotly

6. Pruebas estadísticas

Realiza pruebas de hipótesis específicas para datos ecológicos y biológicos.

Capacidades clave:

• PERMANOVA: prueba diferencias grupales usando matrices de distancias
• ANOSIM: prueba alternativa para diferencias grupales
• PERMDISP: prueba homogeneidad de dispersiones grupales
• Prueba de Mantel: correlación entre matrices de distancias
• Bioenv: encuentra variables ambientales correlacionadas con distancias
• Abundancia diferencial: ancom, dirmult_ttest y dirmult_lme (efectos mixtos longitudinales) en skbio.stats.composition

Patrones comunes:

from skbio.stats.distance import permanova, anosim, mantel

# Probar si los grupos difieren significativamente
permanova_results = permanova(distance_matrix, grouping, permutations=999)
print(f"valor p: {permanova_results['p-value']}")

# Prueba ANOSIM
anosim_results = anosim(distance_matrix, grouping, permutations=999)

# Prueba de Mantel entre dos matrices de distancias
mantel_results = mantel(dm1, dm2, method='pearson', permutations=999)
print(f"Correlación: {mantel_results[0]}, valor p: {mantel_results[1]}")

# Abundancia diferencial en una tabla de características (se recomiendan conteos brutos)
from skbio.stats.composition import dirmult_ttest
da = dirmult_ttest(counts_table, grouping, treatment='caseA', reference='control')

Notas importantes:

• Las pruebas de permutación proporcionan pruebas de significancia no paramétricas
• Usa 999+ permutaciones para valores p robustos
• PERMANOVA es sensible a diferencias de dispersión; combínalo con PERMDISP
• Las pruebas de Mantel evalúan la correlación de matrices (por ejemplo, distancia geográfica vs genética)
• Proporciona pruebas de abundancia diferencial con conteos brutos, no proporciones pre-normalizadas, para preservar la información de magnitud

7. E/S de archivos y conversión de formatos

Lee y escribe 19+ formatos de archivo biológicos con detección automática de formato.

Formatos compatibles:

• Secuencias: FASTA, FASTQ, GenBank, EMBL, QSeq
• Alineamientos: Clustal, PHYLIP, Stockholm
• Árboles: Newick
• Tablas: BIOM (HDF5 y JSON)
• Distancias: matrices cuadradas delimitadas
• Análisis: BLAST+6/7, GFF3, resultados de ordenación
• Metadatos: TSV/CSV con validación

Patrones comunes:

import skbio

# Leer con detección automática de formato
seq = skbio.DNA.read('file.fasta', format='fasta')
tree = skbio.TreeNode.read('tree.nwk')

# Escribir a archivo
seq.write('output.fasta', format='fasta')

# Generador para archivos grandes (eficiente en memoria)
for seq in skbio.io.read('large.fasta', format='fasta', constructor=skbio.DNA):
    process(seq)

# Convertir formatos
seqs = list(skbio.io.read('input.fastq', format='fastq', constructor=skbio.DNA))
skbio.io.write(seqs, format='fasta', into='output.fasta')

Notas importantes:

• Usa generadores para archivos grandes para evitar problemas de memoria
• El formato se puede detectar automáticamente cuando se especifica el parámetro into
• Algunos objetos se pueden escribir en múltiples formatos
• Soporte para pipes de stdin/stdout con verify=False

8. Matrices de distancias

Crea y manipula matrices de distancia/disimilitud con métodos estadísticos.

Capacidades clave:

• Almacenar datos simétricos (DistanceMatrix, diagonal hueca) o pareados generales (PairwiseMatrix)
• Indexación y segmentación basada en IDs
• Integración con diversidad, ordenación y pruebas estadísticas
• Leer/escribir formato de texto delimitado

Patrones comunes:

from skbio import DistanceMatrix
import numpy as np

# Crear desde array
data = np.array([[0, 1, 2], [1, 0, 3], [2, 3, 0]])
dm = DistanceMatrix(data, ids=['A', 'B', 'C'])

# Acceder a distancias
dist_ab = dm['A', 'B']
row_a = dm['A']

# Leer de archivo
dm = DistanceMatrix.read('distances.txt')

# Usar en análisis posteriores
pcoa_results = pcoa(dm)
permanova_results = permanova(dm, grouping)

Notas importantes:

• DistanceMatrix impone simetría y una diagonal cero (hueca); es una subclase de SymmetricMatrix
• PairwiseMatrix (renombrado de DissimilarityMatrix, que se mantiene como alias obsoleto) permite valores generales/asimétricos
• Los IDs permiten la integración con metadatos y conocimiento biológico

9. Tablas BIOM

Lee, escribe y manipula tablas de características biológicas en formato BIOM.

Operaciones clave:

• Leer tablas BIOM (HDF5 y JSON)
• Agregar/eliminar observaciones (características) y muestras
• Filtrar y subconfigurar
• Calcular métricas de resumen (frecuencias, densidades, número de observaciones)
• Convertir entre representaciones densas y dispersas
• Soporte para integración con pandas y polars

Patrones comunes:

from skbio import BiomTable

# Leer tabla BIOM
table = BiomTable.read('feature-table.biom')

# Resumen básico
print(table.summary())
# Longitud total de observaciones, número de observaciones, etc.

# Filtrar por frecuencia de observación
filtered = table.filter(lambda v, id_, md: v.sum() > 10, axis='observation')

# Convertir a/desde DataFrame de pandas
df = table.to_dataframe()
table2 = BiomTable.from_dataframe(df)

# Subconjunto por IDs de muestra
samples_subset = table.subset_samples_by_ids(['S1', 'S2', 'S3'])

Notas importantes:

• El formato BIOM (HDF5) es la representación de tabla estándar en microbioma
• El formato BIOM JSON es legible por humanos pero menos eficiente para archivos grandes
• Las tablas BIOM pueden contener metadatos enriquecidos: taxonomía de características, información de muestras
• BiomTable proporciona acceso rápido a través de numpy/pandas, maneja matrices dispersas

Integración con formatos de datos

scikit-bio funciona sin problemas con todo el ecosistema científico de Python.

Integraciones compatibles:

• NumPy: arrays para matrices de conteo, matrices de distancias
• pandas: DataFrames para metadatos de muestras, resultados de diversidad
• polars: soporte alternativo de DataFrame para conjuntos de datos grandes
• BIOM: formato estándar de microbioma con read()/write()
• AnnData: integración con scanpy/single-cell (a través del sistema de despacho)
• matplotlib/plotly: visualización de resultados de ordenación y diversidad

Ejemplos de integración:

import pandas as pd
import skbio

# Metadatos de muestras desde pandas
metadata = pd.read_csv('sample_metadata.tsv', sep='\t', index_col=0)

# Usar con análisis scikit-bio
pcoa_results = pcoa(distance_matrix)
fig = pcoa_results.plot(metadata, column='treatment')

# Tabla BIOM a/desde DataFrame
import skbio
from skbio import BiomTable
biom_table = BiomTable.from_dataframe(df)

Instalación

scikit-bio se instala fácilmente con pip o conda. El paquete se publica en PyPI y Anaconda Cloud.

Nota de instalación para usuarios de esta habilidad:

# Instalar desde PyPI
pip install scikit-bio

# Instalar desde conda
conda install -c conda-forge scikit-bio

Soporte de versión

Esta habilidad soporta scikit-bio 0.6.x y 0.7.x. Las características de la versión 0.7.0 (pair_align, pair_align_nucl/prot, etc.) se documentan donde son relevantes.

Notas importantes

• Todos los conteos deben ser enteros no negativos que representan abundancias, no frecuencias relativas ni transformaciones
• Para datos de abundancia diferencial, los valores p pueden requerir corrección por comparaciones múltiples
• Las métricas de diversidad basadas en filogenia requieren un árbol con puntas que coincidan con los nombres de las características
• Los análisis de ordenación pueden consumir mucha memoria para conjuntos de datos grandes; considera usar dimensions o submuestreo
• Las pruebas de permutación (PERMANOVA, ANOSIM) proporcionan valores p no paramétricos; valores semilla reproducibles pueden establecerse con np.random.seed()
• Para grandes FASTA/FASTQ, usa patrones de iterador en lugar de cargar todos los registros en la memoria
• Esta habilidad asume que scikit-bio está instalado con todas las dependencias opcionales (polars, h5py) para máxima funcionalidad

Referencias

• Documentación oficial: https://scikit.bio
• Documentos fuente de scikit-bio
• Equipo de desarrollo del Laboratorio Knight y colaboradores