cameo
0.13.6
Cameo es una biblioteca de Python de alto nivel desarrollada para ayudar en el proceso de diseño de cepas en proyectos de ingeniería metabólica. La biblioteca proporciona un marco modular de métodos de simulación y diseño de tensiones dirigido a desarrolladores que desean desarrollar nuevos algoritmos de diseño y flujos de trabajo de análisis personalizados. Además, expone una API de alto nivel a los usuarios que solo desean calcular diseños de cepas prometedores.
¿Curioso? Dirígete a try.cameo.bio y pruébalo.
Cite https://doi.org/10.1021/acssynbio.7b00423 si ha utilizado un cameo en una publicación científica.
Utilice pip para instalar cameo desde PyPI.
$ pip instalar cameo
En caso de que hayas descargado o clonado el código fuente de GitHub o de tu propio fork, puedes ejecutar lo siguiente para instalar cameo para el desarrollo.
$ pip install -e <ruta-al-cameo-repo> # recomendado
Es posible que necesites ejecutar estos comandos con privilegios administrativos si no estás utilizando un entorno virtual (usando sudo , por ejemplo). Consulte la documentación para obtener más detalles.
La documentación está disponible en cameo.bio. Numerosos cuadernos de Jupyter proporcionan ejemplos y tutoriales y también forman parte de la documentación. También están disponibles en forma ejecutable en (try.cameo.bio). Además, los materiales del curso para un curso de ingeniería de fábricas de células de dos días están disponibles aquí.
Calcule estrategias de ingeniería de cepas para un producto deseado en varios organismos huéspedes utilizando la interfaz de alto nivel (el tiempo de ejecución es del orden de horas).
desde cameo.api importar diseño diseño(producto='L-Serina')
Producción
La API de alto nivel también se puede llamar desde la línea de comandos.
$ diseño de camafeo vainillina
Para más información ejecuta
$ cameo --ayuda
Encuentre objetivos de eliminación de genes mediante computación evolutiva.
de modelos de importación de cameo
de cameo.strain_design.heuristic importar GeneKnockoutOptimization
desde cameo.strain_design.heuristic.objective_functions importar biomasa_producto_acoplado_yield
modelo = modelos.bigg.e_coli_core
obj = rendimiento_acoplado_producto_biomasa(
model.reactions.Biomass_Ecoli_core_w_GAM,
modelo.reacciones.EX_succ_e,
modelo.reacciones.EX_glc_e)
ko = GeneKnockoutOptimization(modelo=modelo, función_objetivo=obj)
ko.run(max_evaluaciones=50000, n=1, mutación_tasa=0.15, indel_rate=0.185)
Producción
Predecir vías heterólogas para una sustancia química deseada.
desde cameo.strain_design importar path_prediction predictor = path_prediction.PathwayPredictor (modelo) rutas = predictor.run(producto="vainillina")
Producción
... son muy bienvenidos! Lea la guía para obtener instrucciones sobre cómo contribuir.
