bonito

bonito

Bonito é um basecaller de pesquisa de código aberto para leituras de Oxford Nanopore.

Para qualquer coisa que não seja treinamento de basecaller ou desenvolvimento de método, use dorado.

$ pip install --upgrade pip
$ pip install ont-bonito
$ bonito basecaller [email protected] /data/reads > basecalls.bam

Bonito suporta escrita alinhada/não alinhada {fastq, sam, bam, cram} .

$ bonito basecaller [email protected] --reference reference.mmi /data/reads > basecalls.bam

Bonito irá baixar e armazenar em cache o modelo de chamada de base automaticamente no primeiro uso, mas todos os modelos podem ser baixados com -

$ bonito download --models --show  # show all available models
$ bonito download --models         # download all available models 

Modelos de transformadores

O pacote bonito.transformer requer flash-attn.

Deve ser instalado manualmente, pois o sistema de empacotamento flash-attn evita que seja listado como uma dependência normal.

Definir CUDA_HOME para o diretório da biblioteca relevante ajudará a evitar incompatibilidades de versão CUDA entre pacotes.

Bases Modificadas

A chamada de base modificada é tratada por Remora.

$ bonito basecaller [email protected] /data/reads --modified-bases 5mC --reference ref.mmi > basecalls_with_mods.bam

Veja os modelos básicos modificados disponíveis com o comando remora model list_pretrained .

Treinando seu próprio modelo

Para treinar um modelo usando suas próprias leituras, primeiro baseie as leituras com o sinalizador --save-ctc adicional e use o diretório de saída como diretório de entrada para treinamento.

$ bonito basecaller [email protected] --save-ctc --reference reference.mmi /data/reads > /data/training/ctc-data/basecalls.sam
$ bonito train --directory /data/training/ctc-data /data/training/model-dir

Além de treinar um novo modelo do zero, você também pode ajustar facilmente um dos modelos pré-treinados.

bonito train --epochs 1 --lr 5e-4 --pretrained [email protected] --directory /data/training/ctc-data /data/training/fine-tuned-model

Se você estiver interessado no desenvolvimento de métodos e não tiver seu próprio conjunto de leituras, será fornecido um conjunto pré-preparado.

$ bonito download --training
$ bonito train /data/training/model-dir

Todas as chamadas de treinamento usam Precisão Mista Automática para acelerar o treinamento. Para desativar isso, defina o sinalizador --no-amp como True.

Início rápido do desenvolvedor

$ git clone https://github.com/nanoporetech/bonito.git  # or fork first and clone that
$ cd bonito
$ python3 -m venv venv3
$ source venv3/bin/activate
(venv3) $ pip install --upgrade pip
(venv3) $ pip install -e .[cu118] --extra-index-url https://download.pytorch.org/whl/cu118

As dependências opcionais ont-bonito[cu118] e ont-bonito[cu121] podem ser usadas, junto com o --extra-index-url correspondente, para garantir que o pacote PyTorch corresponda à configuração CUDA local.

Interface

• bonito view - visualize uma arquitetura de modelo para um determinado arquivo .toml e o número de parâmetros na rede.
• bonito train - treine um modelo bonito.
• bonito evaluate - avaliar o desempenho de um modelo.
• bonito download - baixe modelos pré-treinados e conjuntos de dados de treinamento.
• bonito basecaller - basecaller ( .fast5 -> .bam ) .

Referências

• Modelagem de sequência com CTC
• Quartznet: reconhecimento automático profundo de fala com convoluções separáveis ​​de canal de tempo 1D
• A decodificação de consenso de pares melhora a precisão dos chamadores de base da rede neural para sequenciamento de nanoporos

Licença e Direitos Autorais

(c) 2019 Oxford Nanopore Technologies Ltd.

Bonito é distribuído sob os termos da Licença Pública Oxford Nanopore Technologies, Ltd., v. Se uma cópia da Licença não foi distribuída com este arquivo, você poderá obter uma em http://nanoporetech.com

Lançamento de pesquisa

Os lançamentos de pesquisas são fornecidos como demonstradores de tecnologia para fornecer acesso antecipado a recursos ou estimular o desenvolvimento comunitário de ferramentas. O suporte para este software será mínimo e fornecido apenas diretamente pelos desenvolvedores. Solicitações de recursos, melhorias e discussões são bem-vindas e podem ser implementadas por meio de solicitações de bifurcação e pull. Por mais que queiramos corrigir todos os problemas e comentários que os usuários possam ter, os desenvolvedores podem ter recursos limitados para suporte deste software. Os lançamentos de pesquisas podem ser instáveis ​​e sujeitos a rápida iteração pela Oxford Nanopore Technologies.

Citação

 @software{bonito,
  title = {Bonito: A PyTorch Basecaller for Oxford Nanopore Reads},
  author = {{Chris Seymour, Oxford Nanopore Technologies Ltd.}},
  year = {2019},
  url = {https://github.com/nanoporetech/bonito},
  note = {Oxford Nanopore Technologies, Ltd. Public License, v. 1.0},
  abstract = {Bonito is an open source research basecaller for Oxford Nanopore reads. It provides a flexible platform for training and developing basecalling models using PyTorch.}
}