预测噬菌体生活方式的随机森林分类器
项目描述
BACPHLIP - 噬菌体生活方式预测工具
Adam J. Hockenberry 和 Claus O. Wilke
参考：
预印本可在：https ://www.biorxiv.org/content/10.1101/2020.05.13.094805v1
概述和重要警告
BACPHLIP 软件旨在测试给定的噬菌体基因组（.fasta格式化）是否可能是温和的（溶原的）或毒性的（裂解的）。该软件通过搜索一组特定的假设为“温带特异性”蛋白质结构域来做出这一决定。BACPHLIP 有几个用户应该注意的假设：
-
用户输入是一个噬菌体基因组（核苷酸）序列。BACPHLIP 不对输入的核苷酸序列是否为噬菌体进行任何检查，因此请用户在运行 BACPHLIP 之前自行验证这一事实。随机的 DNA 片段将被称为毒性噬菌体（假设在随机序列中没有发现相关结构域），不是因为有任何迹象表明该序列是毒性噬菌体，而是因为没有数据推翻最初的假设（您提供了噬菌体程序，见下文第 3 点）。如果您向 BACPHLIP 提供整个细菌染色体，也会出现类似的奇怪结果，这些可能被称为温带噬菌体，因为很可能会在染色体的某处发现几个相关的“温带域”。
-
噬菌体基因组是完整的。我们强调，没有证据并不是没有证据。如果基因组不完整，我们根本没有足够的信息来确定是否存在溶原相关蛋白结构域，因此不应将不完整/部分组装的基因组用作输入。
-
默认/起始假设是任何给定的输入文件都是毒性（裂解）噬菌体。根据发现的各种溶原性相关蛋白的数量和身份，随机森林分类器可能会更新此默认假设，以表明该序列实际上是温和的。然而，如果根本没有发现感兴趣的蛋白质结构域，结果将是噬菌体具有毒性。
-
用户应在使用前通读所有文档，以及（2 页）随附的手稿。我们已经仔细列举了这个软件包的用例和限制。例如，BACPHLIP 在一个几乎完全由来自Caudovirales目的噬菌体组成的数据集上进行了训练，其中大多数感染了Actinobacteria、Gammaproteobacteria和Bacilli目中的宿主。我们敦促在这些订单之外的物种上使用该软件时要谨慎，但请注意，随着我们在未来版本中更新和扩展训练集数据，这一事实可能会发生变化。
安装
您可以使用 pip 安装 BACPHLIP：
pip install bacphlip
或者，用户可以克隆/下载最新的 github 存储库，导航到下载 BACPHLIP 的目录并运行：
pip install .
BACPHLIP 在标准库之外有几个必需的依赖项：biopython、pandas、joblib和scikit-learn。
此外，用户需要安装HMMER3 软件套件（除了 HMMER3 网站上列出的安装路线，我们注意到此工具也可以通过conda安装）。默认情况下，BACPHLIP 假定 HMMER3 安装在系统路径中，但本地路径可以作为运行时标志提供（见下文）。
例子
BACPHLIP 最直接的用法是作为命令行工具。所需的输入是fasta包含一条记录的基因组（核苷酸）文件。假设/valid/path/to/a/genome.fasta存在，您可以使用以下命令调用 BACPHLIP：
bacphlip -i /valid/path/to/a/genome.fasta
此命令应在目标路径中创建 4 个单独的文件，genome.fasta其中genome.fasta.bacphlip包含最终模型预测（制表符分隔格式），就输入噬菌体为“毒性”或“温和”的概率而言（其他文件附加.6frame、.hmmsearch和.hmmsearch.tsv到基因组文件）。尝试第二次运行此命令（假设第一次有效）应该会产生错误，因为输出文件已经存在。可以使用标志更改此行为以强制覆盖文件：
bacphlip -i /valid/path/to/a/genome.fasta -f
hmmsearch可以在命令行中指定本地 HMMER3 安装（特别是工具）的路径：
bacphlip -i /valid/path/to/a/genome.fasta --local_hmmsearch /valid/path/to/hmmsearch
鼓励希望在多个噬菌体上批量运行 BACPHLIP 的用户使用--multi_fasta运行时标志。在这种情况下，输入基因组（核苷酸）fasta 文件应包含多个序列记录（每个完整基因组一个），具有唯一 ID（由 解析biopython）。BACPHLIP 将创建一个以输入文件命名的目录，与每个序列记录关联的中间文件将从记录 id 命名并写入该目录。最后，最终输出文件将包含一个表格，其中包含每个基因组的预测。假设multigenome.fasta存在：
bacphlip -i /valid/path/to/a/multigenome.fasta --multi_fasta
此外，BACPHLIP 也可以作为 python 库访问和使用。从 python 解释器只需键入：
import bacphlip
bacphlip.run_pipeline('/valid/path/to/a/genome.fasta')
可以使用此库功能将一批输入文件作为循环运行（它将.bacphlip为每个输入输出并保存单独的预测 [，一种简单的制表符分隔格式] 文件：
import bacphlip
import glob
for infile_loc in glob.glob('/valid/path/to/a/set/of/files/*.fasta'):
bacphlip.run_pipeline(infile_loc)
或者如果多个基因组包含在同一个.fasta文件中，则可以使用该函数分析多个基因组，该函数将为每个输入run_pipeline_multi创建一个包含行：.bacphlip
import bacphlip
multi_fasta_file = '/valid/path/to/multi.fasta'
bacphlip.run_pipeline_multi(infile_loc)
最后，使用 BACPHLIP 作为库可以使用户可以使用各个函数，以便运行单个步骤并可能对其进行故障排除。IE：
import bacphlip
bacphlip.six_frame_translate( ... )
bacphlip.hmmsearch_py( ... )
bacphlip.process_hmmsearch( ... )
bacphlip.predict_lifestyle( ... )
每个函数都有一组相关的参数，应该从文档中清楚地看到。我们希望以这种方式运行 BACPHLIP 将在文件名方面提供更大的灵活性，并且可能对某些用户有用。
下一步
我们有几个计划的后续步骤，包括：
examples在即将发布的文件夹中添加库使用教程作为 jupyter 笔记本。- 添加以“安静”模式运行管道的能力
- （在此处插入您的建议）
杂项
该软件是根据 MIT 许可提供给您的（参见文件LICENSE.txt）。该软件的最新版本可在
https://github.com/adamhockenberry/bacphlip获得。
的开发BACPHLIP是在一个单独的存储库中提供的，以提高透明度。请参阅bacphlip-model-dev。
贡献
欢迎在 GitHub 上提出解决错误或添加新功能的拉取请求。但是，要被接受，贡献必须通过pytest单元测试。
