scikit-bio 是做什么的？
概述
scikit-bio 是一个全面的 Python 库，用于处理生物数据。应用此技能可进行以下生物信息学分析：序列操作、比对、系统发育学、微生物生态学和多元统计学。
适用场景
当用户遇到以下情况时，应使用本技能：
- 处理生物序列（DNA、RNA、蛋白质）
- 需要读写生物文件格式（FASTA、FASTQ、GenBank、Newick、BIOM 等）
- 执行序列比对或搜索基序
- 构建或分析系统发育树
- 计算多样性指标（α/β多样性、UniFrac 距离）
- 执行排序分析（PCoA、CCA、RDA）
- 对生物/生态数据进行统计检验（PERMANOVA、ANOSIM、Mantel）
- 分析微生物组或群落生态学数据
- 处理来自语言模型的蛋白质嵌入
- 需要操作生物数据表
核心功能
1. 序列操作
使用针对 DNA、RNA 和蛋白质数据的专门类来处理生物序列。
主要操作：
- 从 FASTA、FASTQ、GenBank、EMBL 格式读写序列
- 序列切片、拼接和搜索
- 反向互补、转录（DNA→RNA）和翻译（RNA→蛋白质）
- 使用正则表达式查找基序和模式
- 计算距离（汉明距离、基于 k-mer 的距离）
- 处理序列质量分数和元数据
常用模式：
import skbio
# 从文件读取序列
seq = skbio.DNA.read('input.fasta')
# 序列操作
rc = seq.reverse_complement()
rna = seq.transcribe()
protein = rna.translate()
# 查找基序
motif_positions = seq.find_with_regex('ATG[ACGT]{3}')
# 检查属性
has_degens = seq.has_degenerates()
seq_no_gaps = seq.degap()
重要说明：
- 使用
DNA、RNA、Protein类处理带文法和验证的序列 - 使用
Sequence类处理无字母表限制的通用序列 - 质量分数从 FASTQ 文件自动加载到位置元数据中
- 元数据类型：序列级（ID、描述）、位置级（每位碱基）、区间级（区域/特征）
2. 序列比对
使用 pair_align 引擎（在 scikit-bio 0.7.0 中引入）执行成对和多序列比对，这是一个多功能高效的动态规划比对器。
主要功能：
- 在一个函数中实现全局、局部和半局部比对（自由端可配置）
- 便捷包装器
pair_align_nucl（类似 BLASTN）和pair_align_prot（类似 BLASTP） - 可配置评分：匹配/错配元组或命名替换矩阵；线性或仿射空位罚分
PairAlignPath结果携带 CIGAR 字符串并可转换为对齐序列- 使用
TabularMSA进行多序列比对的存储和操作
常用模式：
from skbio import DNA, Protein
from skbio.alignment import pair_align_nucl, pair_align_prot, pair_align, TabularMSA
# 使用 BLASTN 样默认值的核苷酸比对
seq1, seq2 = DNA('ACTACCAGATTACTTACGGATCAGG'), DNA('CGAAACTACTAGATTACGGATCTTA')
aln = pair_align_nucl(seq1, seq2)
aln.score # 比对分数（浮点数）
path = aln.paths[0] # PairAlignPath（repr显示CIGAR）
aligned_seqs = path.to_aligned((seq1, seq2)) # 带空位的字符串列表
# 从比对路径 + 原始序列构建 TabularMSA
msa = TabularMSA.from_path_seqs(path, (seq1, seq2))
# 通过 pair_align 自定义算法（默认 mode='global'）
aln = pair_align(seq1, seq2, mode='local') # Smith-Waterman
aln = pair_align(seq1, seq2, sub_score=(2, -3), gap_cost=(5, 2)) # 仿射空位
aln = pair_align(seq1, seq2, sub_score='NUC.4.4', gap_cost=3) # 替换矩阵，线性空位
# 蛋白质比对（类似 BLASTP，BLOSUM62）
aln = pair_align_prot(Protein('HEAGAWGHEE'), Protein('PAWHEAE'))
# 从文件读取多序列比对并汇总
msa = TabularMSA.read('alignment.fasta', constructor=DNA)
consensus = msa.consensus()
重要说明：
pair_align替换了已移除的 SSW 包装器（local_pairwise_align_ssw、StripedSmithWaterman）和已弃用的纯 Python 比对器（global_pairwise_align、local_pairwise_align_nucleotide等）- 结果是
PairAlignResult，也可解包为score, paths, matrices（使用keep_matrices=True保留 DP 矩阵） sub_score接受(match, mismatch)元组或矩阵名称（例如'NUC.4.4'、'BLOSUM62'）；gap_cost接受单个数字（线性）或(open, extend)元组（仿射）- 使用
PairAlignPath.from_cigar('1I8M2D5M2I')解析外部 CIGAR 字符串；使用align_score(...)为现有比对评分，使用align_dists(...)从 MSA 构建距离矩阵
3. 系统发育树
构建、操作和分析表示进化关系的系统发育树。
主要功能：
- 从距离矩阵构建树（UPGMA/WPGMA、邻接法、GME、BME）
- 使用最近邻互换（
nni）进行树重排 - 树操作（修剪、重定根、遍历）
- 距离计算（通过
cophenet计算系谱距离，通过compare_rfd计算 Robinson-Foulds 距离） - ASCII 可视化
- Newick 格式 I/O
常用模式：
from skbio import TreeNode
from skbio.tree import nj, upgma, gme, bme, rf_dists
# 从文件读取树
tree = TreeNode.read('tree.nwk')
# 从距离矩阵构建树
tree = nj(distance_matrix)
# 树操作
subtree = tree.shear(['taxon1', 'taxon2', 'taxon3'])
tips = [node for node in tree.tips()]
lca = tree.lca(['taxon1', 'taxon2'])
# 计算距离
patristic_dist = tree.find('taxon1').distance(tree.find('taxon2'))
cophenetic_dm = tree.cophenet() # 末端节点间的系谱距离矩阵
# 比较两棵树（Robinson-Foulds）
rf_distance = tree.compare_rfd(other_tree)
# 多棵树间的成对 RF 距离 -> DistanceMatrix
rf_dm = rf_dists([tree, other_tree, third_tree])
重要说明：
- 使用
nj()进行邻接法（经典系统发育方法） - 使用
upgma()进行 UPGMA/WPGMA（假设分子钟） - GME 和 BME 对大树具有高度可扩展性；使用
nni()优化拓扑结构 cophenet()（以前称为tip_tip_distances）返回系谱距离矩阵；compare_rfd()是 Robinson-Foulds 方法（compare_wrfd/compare_cophenet用于加权/系谱变体）lca()是最低共同祖先；lowest_common_ancestor保留作为别名- 树可以有根或无根；某些度量需要特定的定根方式
4. 多样性分析
计算微生物生态学和群落分析的 α 和 β 多样性指标。
主要功能：
- α 多样性：丰富度（
sobs、observed_features、chao1、ace）、香农指数、辛普森指数、希尔数（hill）、Faith's PD（faith_pd）、广义 PD（phydiv）、Pielou 均匀度 - β 多样性：Bray-Curtis、Jaccard、加权/非加权 UniFrac、欧几里得距离
- 系统发育多样性指标（需要树输入）
- 稀疏化和子采样
- 与排序分析和统计检验的集成
常用模式：
from skbio.diversity import alpha_diversity, beta_diversity
# α 多样性（系统发育指标使用 taxa= 进行末端节点名称映射）
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)
# β 多样性
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)
# 获取可用指标
from skbio.diversity import get_alpha_diversity_metrics
print(get_alpha_diversity_metrics())
重要说明：
- 计数必须是表示丰度的整数，而不是相对频率
- 系统发育指标参数为
taxa=（在 0.6.0 中从otu_ids重命名；旧名称是弃用的别名）；observed_otus现在为observed_features（或sobs） counts_matrix可以是任何类似表格的输入（NumPy 数组、pandas/polars DataFrame、BIOMTable或 AnnData），通过调度系统实现- 系统发育指标（Faith's PD、UniFrac）需要树和分类单元到末端节点的映射
- 使用
partial_beta_diversity()处理特定样本对，或使用block_beta_diversity()进行大规模块分解计算 - α 多样性返回
pandas.Series，β 多样性返回DistanceMatrix
5. 排序方法
将高维生物数据降维到可可视化的低维空间。
主要功能：
- PCoA（主坐标分析）：基于距离矩阵
- CA（对应分析）：用于列联表
- CCA（典型对应分析）：带环境约束
- RDA（冗余分析）：用于线性关系
- 双标图投影：用于特征解释
常用模式：
from skbio.stats.ordination import pcoa, cca
import skbio
# 从距离矩阵进行 PCoA（大矩阵限制维度）
pcoa_results = pcoa(distance_matrix, dimensions=3)
pc1 = pcoa_results.samples['PC1']
pc2 = pcoa_results.samples['PC2']
# 内置散点图，按元数据列着色
fig = pcoa_results.plot(sample_metadata, column='bodysite')
# 带环境变量的 CCA
cca_results = cca(species_matrix, environmental_matrix)
# 保存/加载排序结果
pcoa_results.write('ordination.txt')
results = skbio.OrdinationResults.read('ordination.txt')
重要说明：
- PCoA 适用于任何距离/相异度矩阵；将
dimensions作为整数（计数）或 (0, 1] 范围内的浮点数（保留的累积方差比例）传递 OrdinationResults公开基于 pandas 的属性：samples、features、eigvals、proportion_explained、biplot_scores、sample_constraints- CCA 揭示群落组成的环境驱动因素
OrdinationResults.plot()生成 matplotlib 图形；结果也可与 seaborn/plotly 集成
6. 统计检验
执行特定于生态和生物数据的假设检验。
主要功能：
- PERMANOVA：使用距离矩阵检验组间差异
- ANOSIM：检验组间差异的替代方法
- PERMDISP：检验组间离散度的同质性
- Mantel 检验：距离矩阵间的相关性
- Bioenv：寻找与距离相关的环境变量
- 差异丰度：
skbio.stats.composition中的ancom、dirmult_ttest和dirmult_lme（纵向混合效应模型）
常用模式：
from skbio.stats.distance import permanova, anosim, mantel
# 检验组间是否存在显著差异
permanova_results = permanova(distance_matrix, grouping, permutations=999)
print(f"p值: {permanova_results['p-value']}")
# ANOSIM 检验
anosim_results = anosim(distance_matrix, grouping, permutations=999)
# 两个距离矩阵间的 Mantel 检验
mantel_results = mantel(dm1, dm2, method='pearson', permutations=999)
print(f"相关性: {mantel_results[0]}, p值: {mantel_results[1]}")
# 对特征表进行差异丰度分析（建议使用原始计数）
from skbio.stats.composition import dirmult_ttest
da = dirmult_ttest(counts_table, grouping, treatment='caseA', reference='control')
重要说明：
- 置换检验提供非参数显著性检验
- 使用 999 次以上置换以获得稳健的 p 值
- PERMANOVA 对离散度差异敏感；建议与 PERMDISP 结合使用
- Mantel 检验评估矩阵相关性（例如地理距离与遗传距离）
- 向差异丰度检验提供原始计数，而非预先归一化的比例，以保留量级信息
7. 文件输入输出和格式转换
读写 19 种以上生物文件格式，并支持自动格式检测。
支持的格式：
- 序列：FASTA、FASTQ、GenBank、EMBL、QSeq
- 比对：Clustal、PHYLIP、Stockholm
- 树：Newick
- 表格：BIOM（HDF5 和 JSON）
- 距离：带分隔符的方阵
- 分析：BLAST+6/7、GFF3、排序结果
- 元数据：带验证的 TSV/CSV
常用模式：
import skbio
# 自动格式检测读取
seq = skbio.DNA.read('file.fasta', format='fasta')
tree = skbio.TreeNode.read('tree.nwk')
# 写入文件
seq.write('output.fasta', format='fasta')
# 大文件生成器（内存高效）
for seq in skbio.io.read('large.fasta', format='fasta', constructor=skbio.DNA):
process(seq)
# 格式转换
seqs = list(skbio.io.read('input.fastq', format='fastq', constructor=skbio.DNA))
skbio.io.write(seqs, format='fasta', into='output.fasta')
重要说明：
- 对大型文件使用生成器以避免内存问题
- 指定
into参数时可自动检测格式 - 某些对象可以写入多种格式
- 支持通过
verify=False进行标准输入/输出管道
8. 距离矩阵
创建和操作距离/相异度矩阵，并支持统计方法。
主要功能：
- 存储对称矩阵（
DistanceMatrix，对角线为零）或一般成对矩阵（PairwiseMatrix）数据 - 基于 ID 的索引和切片
- 与多样性、排序和统计检验集成
- 读写带分隔符的文本格式
常用模式：
from skbio import DistanceMatrix
import numpy as np
# 从数组创建
data = np.array([[0, 1, 2], [1, 0, 3], [2, 3, 0]])
dm = DistanceMatrix(data, ids=['A', 'B', 'C'])
# 访问距离
dist_ab = dm['A', 'B']
row_a = dm['A']
# 从文件读取
dm = DistanceMatrix.read('distances.txt')
# 在下游分析中使用
pcoa_results = pcoa(dm)
permanova_results = permanova(dm, grouping)
重要说明：
DistanceMatrix强制执行对称性和零（空）对角线；它是SymmetricMatrix的子类PairwiseMatrix（从DissimilarityMatrix重命名，后者保留为弃用的别名）允许一般/非对称值- ID 支持与元数据和生物学知识的集成
…
[为翻译而截断]