# Scikit Bio > Kit de ferramentas para dados biológicos. Análise de sequências, alinhamentos, árvores filogenéticas, métricas de diversidade (alfa/beta, UniFrac), ordenação (PCoA), PERMANOVA, I/O FASTA/Newick, para análise de microbioma. - Skill: `artubss/scikit-bio` (Agent Skill, multi-file: 2 files) - Install (CLI): `npx skillmds@latest add artubss/scikit-bio` - Raw SKILL.md: https://api.skillmd.com/api/skills/artubss/scikit-bio/raw - Safety review: pending (external: skill-scanner PASS, skillspector PASS) - Works with: Claude Code, Claude.ai, OpenAI Codex - Category: Coding & Dev Tools - Author: artubss (https://skillmd.com/u/artubss) - Updated: 2026-09-08 - Page: https://skillmd.com/skills/artubss/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:** ```python 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:** ```python 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:** ```python 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:** ```python 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:** ```python 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:** ```python 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:** ```python 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:** ```python 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:** ```python 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:** ```python 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 ```bash 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)