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

"Cluster Independent Algorithm for the identification of RAre cell types."

ویژگی	مقدار
سیستم عامل	-
نام فایل	ciara-python-1.0.4
نام	ciara-python
نسخه کتابخانه	1.0.4
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Marco Stock
ایمیل نویسنده	marco.stock@tum.de
آدرس صفحه اصلی	https://github.com/ScialdoneLab/CIARA_python
آدرس اینترنتی	https://pypi.org/project/ciara-python/
مجوز	MIT

# CIARA <br /> (Cluster Independent Algorithm for the identification of markers of RAre cell types) Python implementation of the CIARA algorithm that integrates into scanpy's analysis with the AnnData format. The package can be installed via pip: `python -m pip install ciara_python` *Note: The package only works on UNIX / MacOS operating systems, not on Windows systems, due to the copy-on-write multiprocessing setup used.* ## Tutorial The functions are designed to work with scanpy's AnnData objects. For an interactive tutorial check out the Human Gastrula IPython Notebook which is also part of this repository. First you load your dataset as a scanpy object and after normal preprocessing calculate the knn-network: ```python import scanpy as sc pbmc = sc.datasets.pbmc3k() sc.pp.filter_cells(pbmc, min_genes=50) sc.pp.filter_genes(pbmc, min_cells=10) sc.pp.log1p(pbmc) sc.pp.pca(pbmc) sc.pp.neighbors(pbmc) ``` The CIARA package contains the two main functions `get_background_full()` and `ciara()` which should be imported via: ```python from ciara_python import get_background_full, ciara ``` Afterwards, the background genes get marked by running the `get_background_full()` function on your scanpy dataset. This adds the boolean column 'CIARA_background' to your `pbmc.var` AnnData slot, where relevant background genes are marked. ```python get_background_full(pbmc, threshold=1, n_cells_low=2, n_cells_high=5) ``` Finally, the `ciara()` function is run on the dataset. This adds the column 'CIARA_p_value' to your `pbmc.var` object, where the calculated p_values for each of the previously marked background genes are stored. ```python ciara(pbmc, n_cores=4, p_value=0.001, approximation=True, local_region=1) ``` We can then extract the top markers or rare cells (lowest CIARA_p_value) and plot them onto the UMAP: ```python from matplotlib.pyplot import rc_context sc.tl.umap(pbmc) top_markers = pbmc.var.nsmallest(4, ["CIARA_p_value"],) with rc_context({'figure.figsize': (3, 3)}): sc.pl.umap(pbmc, color=top_markers.index.tolist()) ``` ![UMAP of top 4 rare cell type markers for PBMCs](/figures/umap_CIARA_PBMCs.svg) ## R package Link to R package: https://github.com/ScialdoneLab/CIARA/

نیازمندی

مقدار	نام
-	scanpy

زبان مورد نیاز

مقدار	نام
>=3.8	Python

نحوه نصب

نصب پکیج whl ciara-python-1.0.4:

pip install ciara-python-1.0.4.whl

نصب پکیج tar.gz ciara-python-1.0.4:

pip install ciara-python-1.0.4.tar.gz