معرفی شرکت ها
cohorts-0.7.3
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
Utilities for analyzing mutations and neoepitopes in patient cohorts
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | cohorts-0.7.3 |
| نام | cohorts |
| نسخه کتابخانه | 0.7.3 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | Tavi Nathanson |
| ایمیل نویسنده | tavi@hammerlab.org |
| آدرس صفحه اصلی | https://github.com/tavinathanson/cohorts |
| آدرس اینترنتی | https://pypi.org/project/cohorts/ |
| مجوز | http://www.apache.org/licenses/LICENSE-2.0.html |
|PyPI| |Build Status| |Coverage Status|
Cohorts
=======
Cohorts is a library for analyzing and plotting clinical data, mutations
and neoepitopes in patient cohorts.
It calls out to external libraries like
`topiary <https://github.com/hammerlab/topiary>`__ and caches the
results for easy manipulation.
Cohorts requires Python 3 (3.3+). We are no longer maintaining
compatability with Python 2. For context, see this `Python 3
statement <www.python3statement.org>`__.
Installation
------------
You can install Cohorts using
`pip <https://pip.pypa.io/en/latest/quickstart.html>`__:
.. code:: bash
pip install cohorts
Features
--------
- Data management: construct a ``Cohort`` consisting of ``Patient``\ s
with ``Sample``\ s.
- Use ``varcode`` and ``topiary`` to generate and cache variant effects
and predicted neoantigens.
- Provenance: track the state of the world (package and data versions)
for a given analysis.
- Aggregation functions: built-in functions such as
``missense_snv_count``, ``neoantigen_count``,
``expressed_neoantigen_count``; or create your own functions.
- Plotting: survival curves via ``lifelines``, response/no response
plots (with Mann-Whitney and Fisher’s Exact results), ROC curves.
Example: ``cohort.plot_survival(on=missense_snv_count, how="pfs")``.
- Filtering: filter collections of variants/effects/neoantigens by, for
example, variant statistics.
- Pre-define data sets to work with. Example:
``cohort.as_dataframe(join_with=["tcr", "pdl1"])``.
In addition, several other libraries make use of ``cohorts``: \*
`pygdc <http://github.com/hammerlab/pygdc>`__ \*
`query_tcga <http://github.com/jburos/query_tcga>`__
Quick Start
-----------
One way to get started using Cohorts is to use it to analyze TCGA data.
As an example, we can create a cohort using
`query_tcga <http://github.com/jburos/query_tcga>`__:
.. code:: python
from query_tcga import cohort, config
# provide authentication token
config.load_config('config.ini')
# load patient data
blca_patients = cohort.prep_patients(project_name='TCGA-BLCA',
project_data_dir='data')
# create cohort
blca_cohort = cohort.prep_cohort(patients=blca_patients,
cache_dir='data-cache')
Then, use ``plot_survival()`` to summarize a potential biomarker (e.g.
``snv_count``) by survival:.
.. code:: python
from cohorts.functions import snv_count
blca_cohort.plot_survival(snv_count, how='os', threshold='median')
Which should produce a summary of results including this plot:
.. figure:: /docs/survival_plot_example.png
:alt: Survival plot example
Survival plot example
We could alternatively use ``plot_benefit()`` to summarize OS>12mo
instead of survival:
.. code:: python
blca_cohort.plot_benefit(snv_count)
.. figure:: /docs/benefit_plot_example.png
:alt: Benefit plot example
Benefit plot example
See the full example in the `quick-start
notebook <http://nbviewer.jupyter.org/github/hammerlab/tcga-blca/blob/master/Quick-start%20-%20using%20Cohorts%20with%20TCGA%20data.ipynb>`__
Building from Scratch
---------------------
.. code:: python
patient_1 = Patient(
id="patient_1",
os=70,
pfs=24,
deceased=True,
progressed=True,
benefit=False
)
patient_2 = Patient(
id="patient_2",
os=100,
pfs=50,
deceased=False,
progressed=True,
benefit=False
)
cohort = Cohort(
patients=[patient_1, patient_2],
cache_dir="/where/cohorts/results/get/saved"
)
cohort.plot_survival(on="os")
.. code:: python
sample_1_tumor = Sample(
is_tumor=True,
bam_path_dna="/path/to/dna/bam",
bam_path_rna="/path/to/rna/bam"
)
patient_1 = Patient(
id="patient_1",
...
snv_vcf_paths=["/where/my/mutect/vcfs/live",
"/where/my/strelka/vcfs/live"]
indel_vcfs_paths=[...],
tumor_sample=sample_1_tumor,
...
)
cohort = Cohort(
...
patients=[patient_1]
)
.. |PyPI| image:: https://img.shields.io/pypi/v/cohorts.svg?maxAge=21600
:target:
.. |Build Status| image:: https://travis-ci.org/hammerlab/cohorts.svg?branch=master
:target: https://travis-ci.org/hammerlab/cohorts
.. |Coverage Status| image:: https://coveralls.io/repos/hammerlab/cohorts/badge.svg?branch=master&service=github
:target: https://coveralls.io/github/hammerlab/cohorts?branch=master
زبان مورد نیاز
| مقدار | نام |
|---|---|
| >=3.3 | Python |
نحوه نصب
نصب پکیج whl cohorts-0.7.3:
pip install cohorts-0.7.3.whl
نصب پکیج tar.gz cohorts-0.7.3:
pip install cohorts-0.7.3.tar.gz