scikit-bio

O que scikit-bio faz?

Visão Geral

scikit-bio é uma biblioteca Python abrangente para trabalhar com dados biológicos. Aplique esta habilidade para análises de bioinformática que abrangem manipulação de sequências, alinhamento, filogenética, ecologia microbiana e estatística multivariada.

Quando Usar Esta Habilidade

Esta habilidade deve ser usada quando o usuário:

• Trabalha com sequências biológicas (DNA, RNA, proteína)
• Precisa ler/escrever formatos de arquivo biológicos (FASTA, FASTQ, GenBank, Newick, BIOM, etc.)
• Realiza alinhamentos de sequências ou busca por motivos
• Constrói ou analisa árvores filogenéticas
• Calcula métricas de diversidade (diversidade alfa/beta, distâncias UniFrac)
• Realiza análises de ordenação (PCoA, CCA, RDA)
• Executa testes estatísticos em dados biológicos/ecológicos (PERMANOVA, ANOSIM, Mantel)
• Analisa dados de microbioma ou ecologia de comunidades
• Trabalha com embeddings de proteínas de modelos de linguagem
• Precisa manipular tabelas de dados biológicos

Capacidades Principais

1. Manipulação de Sequências

Trabalhe com sequências biológicas usando classes especializadas para dados de DNA, RNA e proteínas.

Operações principais:

• Ler/escrever sequências dos formatos FASTA, FASTQ, GenBank, EMBL
• Fatiamento, concatenação e busca de sequências
• Complemento reverso, transcrição (DNA→RNA) e tradução (RNA→proteína)
• Encontrar motivos e padrões usando regex
• Calcular distâncias (Hamming, baseada em k-mer)
• Manipular escores de qualidade e metadados de sequências

Padrões comuns:

import skbio

# Ler sequências de arquivo
seq = skbio.DNA.read('input.fasta')

# Operações com sequências
rc = seq.reverse_complement()
rna = seq.transcribe()
protein = rna.translate()

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

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

Notas importantes:

• Use as classes DNA, RNA, Protein para sequências com gramática e validação
• Use a classe Sequence para sequências genéricas sem restrições de alfabeto
• Escores de qualidade são carregados automaticamente de arquivos FASTQ nos metadados posicionais
• Tipos de metadados: nível de sequência (ID, descrição), posicional (por base), intervalo (regiões/características)

2. Alinhamento de Sequências

Realize alinhamentos de sequências pareados e múltiplos usando o mecanismo pair_align (introduzido no scikit-bio 0.7.0), um alinhador versátil e eficiente de programação dinâmica.

Capacidades principais:

• Alinhamento global, local e semi-global (extremidades livres configuráveis) em uma única função
• Wrappers de conveniência pair_align_nucl (similar a BLASTN) e pair_align_prot (similar a BLASTP)
• Pontuação configurável: tupla de correspondência/discordância ou matriz de substituição nomeada; penalidades de gap lineares ou afins
• Resultados de PairAlignPath fornecem strings CIGAR e convertem para sequências alinhadas
• Armazenamento e manipulação de alinhamentos múltiplos com TabularMSA

Padrões comuns:

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

# Alinhamento de nucleotídeos com padrões BLASTN
seq1, seq2 = DNA('ACTACCAGATTACTTACGGATCAGG'), DNA('CGAAACTACTAGATTACGGATCTTA')
aln = pair_align_nucl(seq1, seq2)
aln.score                                  # pontuação do alinhamento (float)
path = aln.paths[0]                        # PairAlignPath (repr mostra CIGAR)
aligned_seqs = path.to_aligned((seq1, seq2))  # lista de strings com gaps

# Construir um TabularMSA a partir do caminho do alinhamento + sequências originais
msa = TabularMSA.from_path_seqs(path, (seq1, seq2))

# Personalizar o algoritmo via pair_align (modo padrão='global')
aln = pair_align(seq1, seq2, mode='local')                       # Smith-Waterman
aln = pair_align(seq1, seq2, sub_score=(2, -3), gap_cost=(5, 2)) # gaps afins
aln = pair_align(seq1, seq2, sub_score='NUC.4.4', gap_cost=3)    # matriz de substituição, gap linear

# Alinhamento de proteínas (tipo BLASTP, BLOSUM62)
aln = pair_align_prot(Protein('HEAGAWGHEE'), Protein('PAWHEAE'))

# Ler um alinhamento múltiplo de arquivo e resumir
msa = TabularMSA.read('alignment.fasta', constructor=DNA)
consensus = msa.consensus()

Notas importantes:

• pair_align substitui o wrapper SSW removido (local_pairwise_align_ssw, StripedSmithWaterman) e os alinhadores Python puros obsoletos (global_pairwise_align, local_pairwise_align_nucleotide, etc.)
• O resultado é um PairAlignResult que também pode ser desempacotado como score, paths, matrices (use keep_matrices=True para manter a matriz DP)
• sub_score aceita uma tupla (match, mismatch) ou um nome de matriz (e.g., 'NUC.4.4', 'BLOSUM62'); gap_cost aceita um único número (linear) ou uma tupla (open, extend) (afim)
• Analise strings CIGAR externas com PairAlignPath.from_cigar('1I8M2D5M2I'); pontue um alinhamento existente com align_score(...) e construa uma matriz de distância a partir de um MSA com align_dists(...)

3. Árvores Filogenéticas

Construa, manipule e analise árvores filogenéticas representando relações evolutivas.

Capacidades principais:

• Construção de árvores a partir de matrizes de distância (UPGMA/WPGMA, Neighbor Joining, GME, BME)
• Rearranjo de árvores com nearest neighbor interchange (nni)
• Manipulação de árvores (poda, reroot, travessia)
• Cálculo de distâncias (patrística via cophenet, Robinson-Foulds via compare_rfd)
• Visualização ASCII
• I/O no formato Newick

Padrões comuns:

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

# Ler árvore de arquivo
tree = TreeNode.read('tree.nwk')

# Construir árvore a partir de matriz de distância
tree = nj(distance_matrix)

# Operações com árvores
subtree = tree.shear(['taxon1', 'taxon2', 'taxon3'])
tips = [node for node in tree.tips()]
lca = tree.lca(['taxon1', 'taxon2'])

# Calcular distâncias
patristic_dist = tree.find('taxon1').distance(tree.find('taxon2'))
cophenetic_dm = tree.cophenet()           # matriz de distância patrística entre folhas

# Comparar duas árvores (Robinson-Foulds)
rf_distance = tree.compare_rfd(other_tree)
# Distâncias RF pareadas entre muitas árvores -> DistanceMatrix
rf_dm = rf_dists([tree, other_tree, third_tree])

Notas importantes:

• Use nj() para neighbor joining (método filogenético clássico)
• Use upgma() para UPGMA/WPGMA (assume relógio molecular)
• GME e BME são altamente escaláveis para árvores grandes; refine a topologia com nni()
• cophenet() (anteriormente tip_tip_distances) retorna a matriz de distância patrística; compare_rfd() é o método Robinson-Foulds (use compare_wrfd/compare_cophenet para variantes ponderadas/cophenticas)
• lca() é o ancestral comum mais baixo; lowest_common_ancestor permanece como um alias
• Árvores podem ser enraizadas ou não enraizadas; algumas métricas requerem um enraizamento específico

4. Análise de Diversidade

Calcule métricas de diversidade alfa e beta para ecologia microbiana e análise de comunidades.

Capacidades principais:

• Diversidade alfa: riqueza (sobs, observed_features, chao1, ace), Shannon, Simpson, números de Hill (hill), PD de Faith (faith_pd), PD generalizado (phydiv), uniformidade de Pielou
• Diversidade beta: Bray-Curtis, Jaccard, UniFrac ponderado/não-ponderado, distâncias Euclidianas
• Métricas de diversidade filogenética (requerem entrada de árvore)
• Rarefação e subamostragem
• Integração com ordenação e testes estatísticos

Padrões comuns:

from skbio.diversity import alpha_diversity, beta_diversity

# Diversidade alfa (métricas filogenéticas usam taxa= para mapeamento de nomes de folhas)
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)

# Diversidade 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)

# Obter métricas disponíveis
from skbio.diversity import get_alpha_diversity_metrics
print(get_alpha_diversity_metrics())

Notas importantes:

• As contagens devem ser inteiros representando abundâncias, não frequências relativas
• O argumento da métrica filogenética é taxa= (renomeado de otu_ids na versão 0.6.0; o nome antigo é um alias obsoleto); observed_otus agora é observed_features (ou sobs)
• counts_matrix pode ser qualquer entrada do tipo tabela (array NumPy, DataFrame pandas/polars, tabela BIOM ou AnnData) através do sistema de despacho
• Métricas filogenéticas (PD de Faith, UniFrac) requerem uma árvore e mapeamento de taxa para folha
• Use partial_beta_diversity() para pares de amostra específicos, ou block_beta_diversity() para cálculos grandes decompostos em blocos
• Diversidade alfa retorna um pandas.Series, diversidade beta retorna um DistanceMatrix

5. Métodos de Ordenação

Reduza dados biológicos de alta dimensionalidade para espaços visíveis de menor dimensionalidade.

Capacidades principais:

• PCoA (Análise de Coordenadas Principais) a partir de matrizes de distância
• CA (Análise de Correspondência) para tabelas de contingência
• CCA (Análise de Correspondência Canônica) com restrições ambientais
• RDA (Análise de Redundância) para relações lineares
• Projeção de biplot para interpretação de características

Padrões comuns:

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

# PCoA a partir de matriz de distância (limitar dimensões para matrizes grandes)
pcoa_results = pcoa(distance_matrix, dimensions=3)
pc1 = pcoa_results.samples['PC1']
pc2 = pcoa_results.samples['PC2']

# Gráfico de dispersão embutido colorido por uma coluna de metadados
fig = pcoa_results.plot(sample_metadata, column='bodysite')

# CCA com variáveis ambientais
cca_results = cca(species_matrix, environmental_matrix)

# Salvar/carregar resultados de ordenação
pcoa_results.write('ordination.txt')
results = skbio.OrdinationResults.read('ordination.txt')

Notas importantes:

• PCoA funciona com qualquer matriz de distância/dissimilaridade; passe dimensions como um int (contagem) ou um float em (0, 1] (fração da variância cumulativa a ser retida)
• OrdinationResults expõe atributos baseados em pandas: samples, features, eigvals, proportion_explained, biplot_scores, sample_constraints
• CCA revela os direcionadores ambientais da composição da comunidade
• OrdinationResults.plot() produz uma figura matplotlib; os resultados também integram com seaborn/plotly

6. Testes Estatísticos

Execute testes de hipótese específicos para dados ecológicos e biológicos.

Capacidades principais:

• PERMANOVA: teste diferenças de grupos usando matrizes de distância
• ANOSIM: teste alternativo para diferenças de grupos
• PERMDISP: teste homogeneidade das dispersões dos grupos
• Teste de Mantel: correlação entre matrizes de distância
• Bioenv: encontre variáveis ambientais correlacionadas com distâncias
• Abundância diferencial: ancom, dirmult_ttest, e dirmult_lme (efeitos mistos longitudinais) em skbio.stats.composition

Padrões comuns:

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

# Testar se os grupos diferem significativamente
permanova_results = permanova(distance_matrix, grouping, permutations=999)
print(f"p-valor: {permanova_results['p-value']}")

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

# Teste de Mantel entre duas matrizes de distância
mantel_results = mantel(dm1, dm2, method='pearson', permutations=999)
print(f"Correlação: {mantel_results[0]}, p-valor: {mantel_results[1]}")

# Abundância diferencial em uma tabela de características (contagens brutas recomendadas)
from skbio.stats.composition import dirmult_ttest
da = dirmult_ttest(counts_table, grouping, treatment='caseA', reference='control')

Notas importantes:

• Testes de permutação fornecem testes de significância não paramétricos
• Use 999+ permutações para p-valores robustos
• PERMANOVA é sensível a diferenças de dispersão; combine com PERMDISP
• Testes de Mantel avaliam correlação entre matrizes (e.g., distância geográfica vs genética)
• Forneça testes de abundância diferencial com contagens brutas, não proporções pré-normalizadas, para preservar informações de magnitude

7. I/O de Arquivo e Conversão de Formato

Leia e escreva 19+ formatos de arquivo biológicos com detecção automática de formato.

Formatos suportados:

• Sequências: FASTA, FASTQ, GenBank, EMBL, QSeq
• Alinhamentos: Clustal, PHYLIP, Stockholm
• Árvores: Newick
• Tabelas: BIOM (HDF5 e JSON)
• Distâncias: matrizes quadradas delimitadas
• Análise: BLAST+6/7, GFF3, resultados de ordenação
• Metadados: TSV/CSV com validação

Padrões comuns:

import skbio

# Ler com detecção automática de formato
seq = skbio.DNA.read('file.fasta', format='fasta')
tree = skbio.TreeNode.read('tree.nwk')

# Escrever para arquivo
seq.write('output.fasta', format='fasta')

# Gerador para arquivos grandes (eficiente em memória)
for seq in skbio.io.read('large.fasta', format='fasta', constructor=skbio.DNA):
    process(seq)

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

Notas importantes:

• Use geradores para arquivos grandes para evitar problemas de memória
• O formato pode ser detectado automaticamente quando o parâmetro into é especificado
• Alguns objetos podem ser escritos em vários formatos
• Suporte para pipe de stdin/stdout com verify=False

8. Matrizes de Distância

Crie e manipule matrizes de distância/dissimilaridade com métodos estatísticos.

Capacidades principais:

• Armazenar dados simétricos (DistanceMatrix, diagonal oca) ou gerais pareados (PairwiseMatrix)
• Indexação e fatiamento baseados em IDs
• Integração com diversidade, ordenação e testes estatísticos
• Ler/escrever formato de texto delimitado

Padrões comuns:

from skbio import DistanceMatrix
import numpy as np

# Criar a partir de array
data = np.array([[0, 1, 2], [1, 0, 3], [2, 3, 0]])
dm = DistanceMatrix(data, ids=['A', 'B', 'C'])

# Acessar distâncias
dist_ab = dm['A', 'B']
row_a = dm['A']

# Ler de arquivo
dm = DistanceMatrix.read('distances.txt')

# Usar em análises downstream
pcoa_results = pcoa(dm)
permanova_results = permanova(dm, grouping)

Notas importantes:

• DistanceMatrix impõe simetria e uma diagonal zero (oca); é uma subclasse de SymmetricMatrix
• PairwiseMatrix (renomeado de DissimilarityMatrix, que é mantido como um alias obsoleto) permite valores gerais/assimétricos
• IDs permitem integração com metadados e conhecimento biológico

...