Biopython

・お題：以前、文章の特徴を解析しようと思い、文章を数値化した。aやtheなどのあまり意味の無い単語がたくさん出てきて、解析の邪魔になるので、除きたい。 ・自然言語解析であまり使われない代名詞や冠詞などのことを、stop wordsと呼び、前処理として除かれる場合が多い。こういうことに使われる有名ライブラリといえば、spaCyだと思う。日本語だとGiNZAというライブラリが有名らしい。 spacy.io ・まず、spaCyをインストールしてからインポートしてみたところ、インポートの時点でエラーが出た。 Can't find model 'en_core_web_sm'. It doesn't s…

・お題：論文のアブストを題材に自然言語処理で遊ぼうと思ったところ、アブストを集めるのが面倒だった。キーワードからアブストを集めるところを、Pythonにやってほしい。 ・少し調べたところ、biopythonでできるらしい。正しいことは公式サイトをご確認いただきたい。 biopython.org ・また、日本語の以下記事を参考にさせて頂いた。 qiita.com ・とりあえず、Biopythonをインストール。 conda install -c conda-forge biopython ・Entrezをインポート。 from Bio import Entrez ・自分のメールアドレスを入力し、…

昼はイトーヨーカドーの地下の中華で回鍋肉定食。 人工知能概論7回目はスポーツとデータサイエンス、レコメンド、biopython など。人工知能概論8回目は町田先生の医療画像とAIの問題点。AIはバラ色の未来だけでないというところがよかった。 それからインフルワクチン接種。 5時から統数研のセミナーを聞く。Noe とか Tiwary の周辺がいろいろまとめられていた。TAE を使っている場合ではないのか。。 夜はちらし寿司と水炊き鍋。

ハプロタイプとは、1つの染色体上に共存する対立遺伝子のセットで、次世代に共に遺伝する。一倍体のリファレンスゲノムでは、この共起情報が失われるため、表現型と遺伝子型の対立遺伝子の組み合わせとの関連付けにしか利用できない。そのため、DNA塩基配列データから完全なハプロタイプを復元する方法が重要である。近年、ハプロタイプの再構築がいくつか試みられているが、大きな限界が残っている。特に、相同染色体間の差異が少ない場合、高品質の連続したハプロタイプを確実に作成することはできない。 本発表では、ショートリードおよびロングリードとレファレンスゲノムを用いてハプロタイプを再構成するハプロタイプアセンブリツール…

大規模なシークエンス研究により、一般的な構造バリアント（SV）やレアバリアントなどの遺伝子バリアントと形質や疾患との関連付けが可能になった。SVには、欠失、挿入、重複、50塩基以上のリアレンジメントが含まれ、これらは遺伝的多様性、発達障害、ガンに大きな役割を担っている。SNV などの変異と比較すると、特に SV のサイズとブレークポイントの複雑さが非常に多様であるため、ハイスループットのショートリードデータを用いた SV の検出は歴史的に困難とされてきた。近年、1分子シーケンス（SMS）は、ロングリードまたはそのde novoアセンブリが、特に複雑で反復性のある領域においてSVに及ぶため、高品…

2022/05/21 ツイート追記 現在、環境微生物の大部分は未培養のままであり、「微生物ダークマター」（MDM）と呼ばれている。そのため、これらの微生物に関するゲノム解析は、シングルセルオミクスやメタゲノム解析などの培養に依存しないアプローチに限定されている。しかし、MDMゲノムは、正しい分類を検証するための培養された代表的なものがなければ、誤った分類や汚染されたコンティグに基づく誤解を招く可能性があり、その結果、大多数の未培養微生物に関する我々の見解が不明瞭になる。さらに、過去のゲノム投稿によるデータベースの汚染が徐々に進行すると、エラーが伝播し、現在だけでなく将来の比較ゲノム解析にも影響…

・KNIMEで分子生物学的なワークフローを構築しようと思ったが、いまひとつしっくりこない。翻訳ワークフローのように、頑張って組むのも不可能ではなさそうだが、何とかならないか。 ・pythonで何とかなりそうなので、pythonを入れ込んでバイオしてみた。 ・Anaconda PromptでKNIME用の仮想環境をactivateし、conda install biopythonでbiopythonをインストールした。 ・次に、KNIME上でワークフローを組んでみた（下図）。 ・もはやKNIMEのワークフローとしては嘆かわしい限りであるが、これで目的を達成することはできる。流れは以下の通り。 ・…

シーケンシングデータを解析するためのバイオインフォマティクスソリューションは数多く存在するが、系統樹の作成を最終目的とした全ゲノムシーケンス（WGS）データからの標的配列検索のためのオプションはほとんど存在しない。利用可能なツールは、特に深い系統レベルで苦労しており、アミノ酸空間検索を必要とするため、偽陽性結果の割合が増加する可能性がある。また、多くのツールはインストールが難しく、十分なユーザーリソースがない可能性がある。ここでは、自由に利用できる相同性検索ツールを用いて、アセンブルされたWGSデータから相同性検索を行うプログラムについて説明する。ゲノムアノテーションが存在する2つの分岐した昆…

ある細菌遺伝子のゲノム座を株や種を超えて比較することで、後天的な移動性、異なる分類群間での保存の度合い、あるいは遺伝子の水平伝播事象の示唆など、その進化に関する洞察を得ることができる。現在までに数千の細菌ゲノムが利用可能であるが、多数のゲノムの個々の遺伝子座の比較を容易にするソフトウェアは存在しない。GEnView は、多数の細菌ゲノムの遺伝子座を比較解析するための Python ベースのパイプラインで、現在 NCBI Assembly および RefSeq データベースに登録されている 840.000 以上のゲノムおよびプラスミドに分類群別に自動アクセスできるほか、 NCBI に登録されてい…

ロングリードシーケンスを用いると、ショートリードに比べてアセンブルされたウイルスゲノムの連続性が向上するが、複雑なウイルスコミュニティのアセンブルには未解決の問題が残っている。本著者らは、メタゲノムでアセンブルされたウイルスをロングリードで同定・解析するためのツールviralFlyeについて説明する。このツールにより、ウイルスアセンブリが大幅に改善され、また、ショートリードによるアセンブリと比較して、予測されるウイルス-宿主間の関連性がはるかに大きくなることが示された。新たに組み立てられたメタゲノム試料から細菌ゲノム中の新規CRISPRアレイを同定することで、新規ウイルスの新規宿主を予測するた…

「バイオインフォマティクス Pythonによる実践レシピ」（朝倉書店）を使ってバイオインフォの勉強を進めているところです Chapter 3.4 ゲノムアノテーション・ファイルの解析 Chapter 3.4では、まずGFF (genetic feature format) や GTF (general transfer format) を操作するための「gffutils」 をインストールするところからスタート こちらは普通にターミナル上で conda install gfftils とすればインストールできました。 ★ そして毎回詰まるデータファイルのダウンロード、 相変わらずリンクの更新によ…