معرفی شرکت ها
BRACoD-0.3.6
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشترتوضیحات
BRACoD is a method to identify associations between bacteria and physiological variables in Microbiome data
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | BRACoD-0.3.6 |
| نام | BRACoD |
| نسخه کتابخانه | 0.3.6 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | ['Adrian Verster'] |
| ایمیل نویسنده | adrian.verster@hc-sc.gc.ca |
| آدرس صفحه اصلی | https://github.com/ajverster/BRACoD/tree/main |
| آدرس اینترنتی | https://pypi.org/project/BRACoD/ |
| مجوز | - |
# BRACoD: Bayesian Regression Analysis of Compositional Data
### Installation
Installation in python:
pip install BRACoD
There is also an R interface, which depends on the python version being installed. There is a helper function that will do it for you, but it might be easier to do it with pip. You can install via CRAN.
install.packages("BRACoD.R")
Or you can install via github.
devtools::install_github("ajverster/BRACoD/BRACoD.R")
### Python Walkthrough
1. Simulate some data and normalize it
```python
import BRACoD
import numpy as np
sim_counts, sim_y, contributions = BRACoD.simulate_microbiome_counts(BRACoD.df_counts_obesity)
sim_relab = BRACoD.scale_counts(sim_counts)
```
2. Run BRACoD
```python
trace = BRACoD.run_bracod(sim_relab, sim_y, n_sample = 1000, n_burn=1000, njobs=4)
```
3. Examine the diagnostics
```python
BRACoD.convergence_tests(trace, sim_relab)
```
4. Examine the results
```python
df_results = BRACoD.summarize_trace(trace, sim_counts.columns, 0.3)
```
5. Compare the results to the simulated truth
```python
taxon_identified = df_results["taxon_num"].values
taxon_actual = np.where(contributions != 0)[0]
precision, recall, f1 = BRACoD.score(taxon_identified, taxon_actual)
print("Precision: {}, Recall: {}, F1: {}".format(precision, recall, f1))
```
6. Try with your real data. We have included some functions to help you threshold and process your data
```python
df_counts = BRACoD.threshold_count_data(BRACoD.df_counts_obesity)
df_rel = BRACoD.scale_counts(df_counts)
df_rel, Y = BRACoD.remove_null(df_rel, BRACoD.df_scfa_obesity["butyric"].values)
trace = BRACoD.run_bracod(df_rel, Y, n_sample = 1000, n_burn=1000, njobs=4)
df_results = BRACoD.summarize_trace(trace, df_rel.columns, 0.3)
```
The taxonomy information for these OTUs is available at ```BRACoD.df_taxonomy```
### R Walkthrough
1. Simulate some data and normalize it
```R
library('BRACoD.R')
data(obesity)
r <- simulate_microbiome_counts(df_counts_obesity)
sim_counts <- r$sim_counts
sim_y <- r$sim_y
contributions <- r$contributions
sim_relab <- scale_counts(sim_counts)
```
2. Run BRACoD
```R
trace <- run_bracod(sim_relab, sim_y, n_sample = 1000, n_burn=1000, njobs=4)
```
3. Examine the diagnostics
```R
convergence_tests(trace, sim_relab)
```
4. Examine the results
```R
df_results <- summarize_trace(trace, colnames(sim_counts))
```
5. Compare the results to the simulated truth
```R
taxon_identified <- df_results$taxon_num
taxon_actual <- which(contributions != 0)
r <- score(taxon_identified, taxon_actual)
print(sprintf("Precision: %.2f, Recall: %.2f, F1: %.2f", r$precision, r$recall, r$f1))
```
6. Try with your real data. We have included some functions to help you threshold and process your data
```R
df_counts_obesity_sub <- threshold_count_data(df_counts_obesity)
df_rel <- scale_counts(df_counts_obesity_sub)
r <- remove_null(df_rel, df_scfa$butyric)
df_rel <- r$df_rel
Y <- r$Y
trace <- run_bracod(df_rel, Y, n_sample = 1000, n_burn=1000, njobs=4)
df_results <- summarize_trace(trace, colnames(df_counts_obesity_sub), 0.3)
```
نیازمندی
| مقدار | نام |
|---|---|
| ==3.9.0 | pymc3 |
| >=0.24.0 | pandas |
| <=1.20,>=1.15 | numpy |
| >=0.20 | scikit-learn |
| <=0.10 | arviz |
| >=1.0.5 | Theano |
زبان مورد نیاز
| مقدار | نام |
|---|---|
| >3.6 | Python |
نحوه نصب
نصب پکیج whl BRACoD-0.3.6:
pip install BRACoD-0.3.6.whl
نصب پکیج tar.gz BRACoD-0.3.6:
pip install BRACoD-0.3.6.tar.gz