Scikit Bio

scikit-bio

Visão geral

scikit-bio é uma biblioteca Python abrangente para trabalhar com dados biológicos. Use esta skill para análises bioinformáticas abrangendo manipulação de sequências, alinhamento, filogenética, ecologia microbiana e estatísticas multivariadas.

Quando usar esta skill

Esta skill deve ser utilizada quando o usuário:

• Trabalha com sequências biológicas (DNA, RNA, proteína)
• Precisa ler/escrever formatos de arquivo biológico (FASTA, FASTQ, GenBank, Newick, BIOM, etc.)
• Realiza alinhamentos de sequências ou busca motivos
• Constrói ou analisa árvores filogenéticas
• Calcula métricas de diversidade (diversidade alfa/beta, distâncias UniFrac)
• Realiza análise de ordenação (PCoA, CCA, RDA)
• Executa testes estatísticos em dados biológicos/ecológicos (PERMANOVA, ANOSIM, Mantel)
• Analisa dados de microbioma ou ecologia de comunidades
• Trabalha com embeddings de proteína de modelos de linguagem
• Precisa manipular tabelas de dados biológicos

Capacidades principais

1. Manipulação de sequências

Trabalhe com sequências biológicas usando classes especializadas para dados de DNA, RNA e proteína.

Operações principais:

• Ler/escrever sequências de formatos FASTA, FASTQ, GenBank, EMBL
• Fatiamento de sequências, concatenação e busca
• Complemento reverso, transcrição (DNA→RNA) e tradução (RNA→proteína)
• Encontrar motivos e padrões usando regex
• Calcular distâncias (Hamming, baseada em k-mer)
• Lidar com pontuações de qualidade e metadados de sequência

Padrões comuns:

import skbio

# Ler sequências do arquivo
seq = skbio.DNA.read('input.fasta')

# Operações em sequências
rc = seq.reverse_complement()
rna = seq.transcribe()
protein = rna.translate()

# Encontrar motivos
motif_positions = seq.find_with_regex('ATG[ACGT]{3}')

# Verificar propriedades
has_degens = seq.has_degenerates()
seq_no_gaps = seq.degap()

Notas importantes:

• Use as classes DNA, RNA, Protein para sequências com validação de alfabeto
• Use a classe Sequence para sequências genéricas sem restrições de alfabeto
• Pontuações de qualidade carregadas automaticamente de arquivos FASTQ em metadados posicionais
• Tipos de metadados: nível de sequência (ID, descrição), posicional (por base), intervalo (regiões/features)

2. Alinhamento de sequências

Realize alinhamentos de sequências pareados e múltiplos usando algoritmos de programação dinâmica.

Capacidades principais:

• Alinhamento global (Needleman-Wunsch com variante semi-global)
• Alinhamento local (Smith-Waterman)
• Esquemas de pontuação configuráveis (match/mismatch, penalidades de gap, matrizes de substituição)
• Conversão de string CIGAR
• Armazenamento e manipulação de alinhamento múltiplo com TabularMSA

Padrões comuns:

from skbio.alignment import local_pairwise_align_ssw, TabularMSA

# Alinhamento pareado
alignment = local_pairwise_align_ssw(seq1, seq2)

# Acessar sequências alinhadas
msa = alignment.aligned_sequences

# Ler alinhamento múltiplo do arquivo
msa = TabularMSA.read('alignment.fasta', constructor=skbio.DNA)

# Calcular consenso
consensus = msa.consensus()

Notas importantes:

• Use local_pairwise_align_ssw para alinhamentos locais (mais rápido, baseado em SSW)
• Use StripedSmithWaterman para alinhamentos de proteína
• Penalidades de gap afim recomendadas para sequências biológicas
• Pode converter entre formatos de alinhamento scikit-bio, BioPython e Biotite

3. Árvores filogenéticas

Construa, manipule e analise árvores filogenéticas que representam relações evolutivas.

Capacidades principais:

• Construção de árvore a partir de matrizes de distância (UPGMA, WPGMA, Neighbor Joining, GME, BME)
• Manipulação de árvore (poda, rerraizamento, travessia)
• Cálculos de distância (patística, cofenítica, Robinson-Foulds)
• Visualização ASCII
• I/O de formato Newick

Padrões comuns:

from skbio import TreeNode
from skbio.tree import nj

# Ler árvore do arquivo
tree = TreeNode.read('tree.nwk')

# Construir árvore a partir de matriz de distância
tree = nj(distance_matrix)

# Operações em árvore
subtree = tree.shear(['taxon1', 'taxon2', 'taxon3'])
tips = [node for node in tree.tips()]
lca = tree.lowest_common_ancestor(['taxon1', 'taxon2'])

# Calcular distâncias
patristic_dist = tree.find('taxon1').distance(tree.find('taxon2'))
cophenetic_matrix = tree.cophenetic_matrix()

# Comparar árvores
rf_distance = tree.robinson_foulds(other_tree)

Notas importantes:

• Use nj() para neighbor joining (método filogenético clássico)
• Use upgma() para UPGMA (assume relógio molecular)
• GME e BME são altamente escaláveis para árvores grandes
• Árvores podem ser enraizadas ou desenraizadas; algumas métricas exigem enraizamento específico

4. Análise de diversidade

Calcule métricas de diversidade alfa e beta para ecologia microbiana e análise de comunidades.

Capacidades principais:

• Diversidade alfa: riqueza, entropia de Shannon, índice de Simpson, Faith's PD, uniformidade de Pielou
• Diversidade beta: Bray-Curtis, Jaccard, UniFrac ponderado/não ponderado, distâncias euclidianas
• Métricas de diversidade filogenética (requer entrada de árvore)
• Rarefação e subamostragem
• Integração com ordenação e testes estatísticos

Padrões comuns:

from skbio.diversity import alpha_diversity, beta_diversity
import skbio

# Diversidade alfa
alpha = alpha_diversity('shannon', counts_matrix, ids=sample_ids)
faith_pd = alpha_diversity('faith_pd', counts_matrix, ids=sample_ids,
                          tree=tree, otu_ids=feature_ids)

# Diversidade beta
bc_dm = beta_diversity('braycurtis', counts_matrix, ids=sample_ids)
unifrac_dm = beta_diversity('unweighted_unifrac', counts_matrix,
                           ids=sample_ids, tree=tree, otu_ids=feature_ids)

# Obter métricas disponíveis
from skbio.diversity import get_alpha_diversity_metrics
print(get_alpha_diversity_metrics())

Notas importantes:

• Contagens devem ser inteiros representando abundâncias, não frequências relativas
• Métricas filogenéticas (Faith's PD, UniFrac) requerem árvore e mapeamento de ID OTU
• Use partial_beta_diversity() para calcular apenas pares específicos de amostras
• Diversidade alfa retorna Series, diversidade beta retorna DistanceMatrix

5. Métodos de ordenação

Reduza dados biológicos de alta dimensionalidade para espaços de baixa dimensionalidade visualizáveis.

Capacidades principais:

• PCoA (Principal Coordinate Analysis) a partir de matrizes de distância
• CA (Correspondence Analysis) para tabelas de contingência
• CCA (Canonical Correspondence Analysis) com restrições ambientais
• RDA (Redundancy Analysis) para relações lineares
• Projeção de biplot para interpretação de features

Padrões comuns:

from skbio.stats.ordination import pcoa, cca

# PCoA a partir de matriz de distância
pcoa_results = pcoa(distance_matrix)
pc1 = pcoa_results.samples['PC1']
pc2 = pcoa_results.samples['PC2']

# CCA com variáveis ambientais
cca_results = cca(species_matrix, environmental_matrix)

# Salvar/carregar resultados de ordenação
pcoa_results.write('ordination.txt')
results = skbio.OrdinationResults.read('ordination.txt')

Notas importantes:

• PCoA funciona com qualquer matriz de distância/dissimilaridade
• CCA revela drivers ambientais da composição de comunidades
• Resultados de ordenação incluem autovalores, proporção explicada e coordenadas de amostras/features
• Resultados integram com bibliotecas de visualização (matplotlib, seaborn, plotly)

6. Testes estatísticos

Realize testes de hipóteses específicos para dados ecológicos e biológicos.

Capacidades principais:

• PERMANOVA: teste diferenças entre grupos usando matrizes de distância
• ANOSIM: teste alternativo para diferenças entre grupos
• PERMDISP: teste homogeneidade de dispersões de grupo
• Teste de Mantel: correlação entre matrizes de distância
• Bioenv: encontra variáveis ambientais correlacionadas com distâncias

Padrões comuns:

from skbio.stats.distance import permanova, anosim, mantel

# Teste se grupos diferem significativamente
permanova_results = permanova(distance_matrix, grouping, permutations=999)
print(f"p-value: {permanova_results['p-value']}")

# Teste ANOSIM
anosim_results = anosim(distance_matrix, grouping, permutations=999)

# Teste de Mantel entre duas matrizes de distância
mantel_results = mantel(dm1, dm2, method='pearson', permutations=999)
print(f"Correlation: {mantel_results[0]}, p-value: {mantel_results[1]}")

Notas importantes:

• Testes de permutação fornecem testes de significância não paramétricos
• Use 999+ permutações para p-valores robustos
• PERMANOVA sensível a diferenças de dispersão; combine com PERMDISP
• Testes de Mantel avaliam correlação de matriz (ex: distância geográfica vs genética)

7. I/O de arquivo e conversão de formato

Leia e escreva mais de 19 formatos de arquivo biológico com detecção automática de formato.

Formatos suportados:

• Sequências: FASTA, FASTQ, GenBank, EMBL, QSeq
• Alinhamentos: Clustal, PHYLIP, Stockholm
• Árvores: Newick
• Tabelas: BIOM (HDF5 e JSON)
• Distâncias: matrizes quadradas delimitadas
• Análises: BLAST+6/7, GFF3, resultados de ordenação
• Metadados: TSV/CSV com validação

Padrões comuns:

import skbio

# Ler com detecção automática de formato
seq = skbio.DNA.read('file.fasta', format='fasta')
tree = skbio.TreeNode.read('tree.nwk')

# Escrever em arquivo
seq.write('output.fasta', format='fasta')

# Gerador para arquivos grandes (eficiente em memória)
for seq in skbio.io.read('large.fasta', format='fasta', constructor=skbio.DNA):
    process(seq)

# Converter formatos
seqs = list(skbio.io.read('input.fastq', format='fastq', constructor=skbio.DNA))
skbio.io.write(seqs, format='fasta', into='output.fasta')

Notas importantes:

• Use geradores para arquivos grandes para evitar problemas de memória
• Formato pode ser autodetectado quando o parâmetro into é especificado
• Alguns objetos podem ser escritos em múltiplos formatos
• Suporte para piping stdin/stdout com verify=False

8. Matrizes de distância

Crie e manipule matrizes de distância/dissimilaridade com métodos estatísticos.

Capacidades principais:

• Armazenar dados simétricos (DistanceMatrix) ou assimétricos (DissimilarityMatrix)
• Indexação e fatiamento baseados em ID
• Integração com diversidade, ordenação e testes estatísticos
• Ler/escrever formato de texto delimitado

Padrões comuns:

from skbio import DistanceMatrix
import numpy as np

# Criar a partir de array
data = np.array([[0, 1, 2], [1, 0, 3], [2, 3, 0]])
dm = DistanceMatrix(data, ids=['A', 'B', 'C'])

# Acessar distâncias
dist_ab = dm['A', 'B']
row_a = dm['A']

# Ler do arquivo
dm = DistanceMatrix.read('distances.txt')

# Usar em análises posteriores
pcoa_results = pcoa(dm)
permanova_results = permanova(dm, grouping)

Notas importantes:

• DistanceMatrix força simetria e diagonal zero
• DissimilarityMatrix permite valores assimétricos
• IDs habilitam integração com metadados e conhecimento biológico
• Compatível com pandas, numpy e scikit-learn

9. Tabelas biológicas

Trabalhe com tabelas de features (tabelas OTU/ASV) comuns em pesquisa de microbioma.

Capacidades principais:

• I/O de formato BIOM (HDF5 e JSON)
• Integração com pandas, polars, AnnData, numpy
• Técnicas de aumento de dados (phylomix, mixup, métodos composicionais)
• Filtragem e normalização de amostras/features
• Integração de metadados

Padrões comuns:

from skbio import Table

# Ler tabela BIOM
table = Table.read('table.biom')

# Acessar dados
sample_ids = table.ids(axis='sample')
feature_ids = table.ids(axis='observation')
counts = table.matrix_data

# Filtrar
filtered = table.filter(sample_ids_to_keep, axis='sample')

# Converter para/de pandas
df = table.to_dataframe()
table = Table.from_dataframe(df)

Notas importantes:

• Tabelas BIOM são padrão em workflows QIIME 2
• Linhas normalmente representam amostras, colunas representam features (OTUs/ASVs)
• Suporta representações esparsas e densas
• Formato de saída configurável (pandas/polars/numpy)

10. Embeddings de proteína

Trabalhe com embeddings de modelos de linguagem de proteína para análise posterior.

Capacidades principais:

• Armazenar embeddings de modelos de linguagem de proteína (ESM, ProtTrans, etc.)
• Converter embeddings em matrizes de distância
• Gerar objetos de ordenação para visualização
• Exportar para numpy/pandas para workflows de ML

Padrões comuns:

from skbio.embedding import ProteinEmbedding, ProteinVector

# Criar embedding a partir de array
embedding = ProteinEmbedding(embedding_array, sequence_ids)

# Converter em matriz de distância para análise
dm = embedding.to_distances(metric='euclidean')

# Visualização PCoA do espaço de embedding
pcoa_results = embedding.to_ordination(metric='euclidean', method='pcoa')

# Exportar para machine learning
array = embedding.to_array()
df = embedding.to_dataframe()

Notas importantes:

• Embeddings fazem ponte entre modelos de linguagem de proteína e bioinformática tradicional
• Compatíveis com o ecossistema de distância/ordenação/estatísticas do scikit-bio
• SequenceEmbedding e ProteinEmbedding fornecem funcionalidade especializada
• Útil para clustering de sequências, classificação e visualização

Melhores práticas

Instalação

uv pip install scikit-bio

Considerações de desempenho

• Use geradores para arquivos de sequências grandes para minimizar uso de memória
• Para árvores filogenéticas massivas, prefira GME ou BME em vez de NJ
• Cálculos de diversidade beta podem ser paralelizados com partial_beta_diversity()
• Formato BIOM (HDF5) mais eficiente que JSON para tabelas grandes

Integração com ecossistema

• Sequências interoperam com Biopython via formatos padrão
• Tabelas integram com pandas, polars e AnnData
• Matrizes de distância compatíveis com scikit-learn
• Resultados de ordenação visualizáveis com matplotlib/seaborn/plotly
• Funciona perfeitamente com artefatos QIIME 2 (BIOM, árvores, matrizes de distância)

Workflows comuns

1. Análise de diversidade de microbioma: Ler tabela BIOM → Calcular diversidade alfa/beta → Ordenação (PCoA) → Testes estatísticos (PERMANOVA)
2. Análise filogenética: Ler sequências → Alinhar → Construir matriz de distância → Construir árvore → Calcular distâncias filogenéticas
3. Processamento de sequências: Ler FASTQ → Filtrar qualidade → Aparar/limpar → Encontrar motivos → Traduzir → Escrever FASTA
4. Genômica comparativa: Ler sequências → Alinhamento pareado → Calcular distâncias → Construir árvore → Analisar clados

Documentação de referência

Para informações detalhadas da API, especificações de parâmetros e exemplos de uso avançado, consulte references/api_reference.md que contém documentação abrangente sobre:

• Assinaturas de métodos completas e parâmetros para todas as capacidades
• Exemplos de código estendidos para workflows complexos
• Resolução de problemas comuns
• Dicas de otimização de desempenho
• Padrões de integração com outras bibliotecas

Recursos adicionais

• Documentação oficial: https://scikit.bio/docs/latest/
• Repositório GitHub: https://github.com/scikit-bio/scikit-bio
• Suporte em fórum: https://forum.qiime2.org (scikit-bio faz parte do ecossistema QIIME 2)