معرفی شرکت ها

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 بیشتر

توضیحات

ting - T cell receptor interaction grouping

ویژگی	مقدار
سیستم عامل	-
نام فایل	bio-ting-1.1.0
نام	bio-ting
نسخه کتابخانه	1.1.0
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Felix Mölder
ایمیل نویسنده	felix.moelder@uni-due.de
آدرس صفحه اصلی	https://github.com/FelixMoelder/ting
آدرس اینترنتی	https://pypi.org/project/bio-ting/
مجوز	MIT License

[![PyPI version](https://img.shields.io/pypi/v/bio-ting?logo=PyPI)](https://pypi.org/project/bio-ting/) [![Bioconda](https://img.shields.io/badge/install%20with-bioconda-brightgreen.svg?style=flat)](https://bioconda.github.io/recipes/bio-ting/README.html) # ting - T cell receptor interaction grouping ting is a tool for clustering large scale T cell receptor repertoires by antigen-specificity ## Synopsis ting [options] -t sample.tsv -r reference.tsv -k kmer.tsv -o output.tsv ## Options Required Input ~~~~~~~~~~~~~~ The user must provide a list of CDR3b sequences. For compatibility reasons the tab seperated table of TCR sequences required for gliph is supported, too. --tcr_sequences tcr_sequences The format of the table is tab delimited, expecting only the first column. The header is optional, but if included only use column names as shown in the example. --kmer_file K-MER_FILE The k-mer file holds all 2-, 3- and 4-mers considered for local clustering. If file does not exist it will automatically be generated. --reference Reference file of naive CDR3 amino acid sequences in fasta-format. Used as control set by Fisher's exact test. Example: CDR3b TRBV TRBJ CDR3a TRAV TRAJ Sample-ID CAADTSSGANVLTF TRBV30 TRBJ2-6 CALSDEDTGRRALTF TRAV19 TRAJ5 09/02171 CAATGGDRAYEQYF TRBV2 TRBJ2-7 CAASSGANSKLTF TRAV13-1 TRAJ56 03/04922 CAATQQGETQYF TRBV2 TRBJ2-5 CAASYGGSARQLTF TRAV13-1 TRAJ22 02/02591 CACVSNTEAFF TRBV28 TRBJ1-1 CAGDLNGAGSYQLTF TRAV25 TRAJ28 PBMC8631 CAGGKGNSPLHF TRBV2 TRBJ1-6 CVVLRGGSQGNLIF TRAV12-1 TRAJ42 02/02071 CAGQILAGSDTQYF TRBV6-4 TRBJ2-3 CATASGNTPLVF TRAV17 TRAJ29 09/00181 CAGRTGVSTDTQYF TRBV5-1 TRBJ2-3 CAVTPGGGADGLTF TRAV41 TRAJ45 02/02591 CAGYTGRANYGYTF TRBV2 TRBJ1-2 CVVNGGFGNVLHC TRAV12-1 TRAJ35 01/08733 Optional Input --use_structural_boundaries If set, the first and last three amino acids will be included in kmer counting and global clustering. --no_global No global clustering will be performed. --no_local No local clustering will be performed. --min_kmer_occurence Only kmers which occure at least min_kmer_occurences times in the sequence sample set will be taken in account. Default is 3. --max_p_value p-value threshold for identifying significant motifs by fisher exact test --gliph_minp probability threshold for identifying significant motifs by gliph test --stringent_filtering Only TCRs starting with a cystein and ending with phenylalanine will be used (IGMT definition of CDR3 region). Default: False --kmers_gliph If set kmers are identified by the non-deterministic approach as implemented by gliph ~~~~~~~~~~~~~~ ## Install ting can be run from source or installed via [PyPI](https://pypi.org/project/bio-ting/) or [bioconda](https://bioconda.github.io/recipes/bio-ting/README.html?highlight=bio-ting#recipe-Recipe%20'bio-ting') #### PiPI: pip install bio-ting #### conda: conda install -c bioconda bio-ting ## Example Example repertoires can be obtained from `repertoires.tar.gz` included in the `example_data`-folder References have been created by the authors of [gliph](https://github.com/immunoengineer/gliph) ([Glanville et al.](https://www.ncbi.nlm.nih.gov/pubmed/28636589)). ``` ting --tcr_sequences R205-L01-D704D504.tsv --reference reference.fasta --kmer_file R205-L01-D704D504_kmers.tsv -o R205-L01-D704D504_results.tsv ``` ## Citation For citation please refere to our preprint [Rapid T cell receptor interaction grouping with ting](https://www.biorxiv.org/content/10.1101/2020.05.04.069914v1). A peer review is currently in process.

نیازمندی

مقدار	نام
<=1.19,>=1.17	numpy
<=1.5,>=1.3	scipy

نحوه نصب

نصب پکیج whl bio-ting-1.1.0:

pip install bio-ting-1.1.0.whl

نصب پکیج tar.gz bio-ting-1.1.0:

pip install bio-ting-1.1.0.tar.gz