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

Tools for finding HLA alleles for WGS/RNAseq samples

ویژگی	مقدار
سیستم عامل	-
نام فایل	cghla-0.2.3.1
نام	cghla
نسخه کتابخانه	0.2.3.1
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Marcus Breese
ایمیل نویسنده	marcus@breese.com
آدرس صفحه اصلی	http://github.com/compgen-io/cghla/
آدرس اینترنتی	https://pypi.org/project/cghla/
مجوز	-

# cghla A set of tools that are useful for finding the MHC/HLA alleles for a given sample using WGS, WES, or RNAseq data. In particular, these tools are designed for the identification of MHC alleles to use in identification of novel peptides that can be presented by MHC Class I proteins for finding presented neoepitopes in cancer. As such, the specificity of the results are designed only for this purpose. These tools implement a particular workflow that assumes you have the following: bwa samtools ngsutilsj Additionally, the tools are built to work with data from the IPD-IMGT/HLA database which is available from: https://hla.alleles.org Finally, final prediction can use MHC peptide binding affinities from mhcFlurry which are available here: https://openvax.github.io/mhcflurry-motifs/mhcflurry.allele_sequences.csv The basic workflow can be described as: ## WGS 1) Find the location of HLA alleles in the reference genome. 2) Extract flanking sequence from the reference genome, and adding this sequence to the allele sequences 3) Extraction of mapped reads to the HLA locus in an already aligned BAM file 4) Re-alignment of these reads (optionally with unmapped reads as well) to the now extended flanking HLA allele sequences 5) Score HLA allele pairs (maternal/paternal) to find the most likely genotypes for the individual. 6) Predict the most likely genotypes ## RNAseq The RNAseq/WES workflow is similar, but instead of using the `*_gen.fasta` versions of the IPD-IMGTR/HLA sequences you can use the `*_nuc.fasta` versions. When using these coding mRNA sequence, you can skip steps 1 and 2. And instead of extracting a sub-set of reads, you can align the raw FASTQ sequence. The scoring and prediction steps remain the same.

زبان مورد نیاز

مقدار	نام
>=3.9	Python

نحوه نصب

نصب پکیج whl cghla-0.2.3.1:

pip install cghla-0.2.3.1.whl

نصب پکیج tar.gz cghla-0.2.3.1:

pip install cghla-0.2.3.1.tar.gz