Cameo — это библиотека Python высокого уровня, разработанная для облегчения процесса проектирования штаммов в проектах метаболической инженерии. Библиотека предоставляет модульную структуру методов моделирования и деформационного проектирования, предназначенную для разработчиков, желающих разрабатывать новые алгоритмы проектирования и пользовательские рабочие процессы анализа. Более того, он предоставляет высокоуровневый API пользователям, которые просто хотят рассчитать многообещающие конструкции штаммов.
Любопытный? Зайдите на сайт try.cameo.bio и попробуйте.
Пожалуйста, укажите https://doi.org/10.1021/acssynbio.7b00423, если вы использовали камею в научной публикации.
Используйте pip для установки камеи из PyPI.
$ pip install камео
Если вы загрузили или клонировали исходный код с GitHub или своего собственного форка, вы можете запустить следующую команду, чтобы установитьcameo для разработки.
$ pip install -e <путь к репозиторию-камео> # рекомендуется
Возможно, вам придется запускать эти команды с правами администратора, если вы не используете виртуальную среду (например, с помощью sudo
). Пожалуйста, проверьте документацию для получения более подробной информации.
Документация доступна на сайтеcameo.bio. Многочисленные блокноты Jupyter содержат примеры и учебные пособия, а также являются частью документации. Они также доступны в исполняемой форме на (try.cameo.bio). Кроме того, здесь доступны учебные материалы для двухдневного курса по проектированию заводов по производству ячеек.
Вычислите стратегии инженерии штаммов для желаемого продукта в ряде организмов-хозяев, используя интерфейс высокого уровня (время выполнения составляет порядка часов).
из дизайна импортаcameo.api дизайн (продукт = 'L-серин')
Выход
API высокого уровня также можно вызвать из командной строки.
$камео дизайн ванилин
Для получения дополнительной информации запустите
$ камео --help
Найдите цели для нокаута генов, используя эволюционные вычисления.
из импортированных камео-моделей изcameo.strain_design.heuristic import GeneKnockoutOptimization изcameo.strain_design.heuristic.objective_functions import biomass_product_coupled_yield модель = models.bigg.e_coli_core obj = biomass_product_coupled_yield( model.reactions.Biomass_Ecoli_core_w_GAM, модель.реакции.EX_succ_e, модель.реакции.EX_glc_e) ko = GeneKnockoutOptimization(модель=модель, Object_function=obj) ko.run(max_evaluations=50000, n=1,mutation_rate=0,15, indel_rate=0,185)
Выход
Прогнозируйте гетерологичные пути для желаемого химического вещества.
изcameo.strain_design import path_prediction предиктор = path_prediction.PathwayPredictor(модель) пути = предиктор.run(product="ванилин")
Выход
... очень приветствуются! Пожалуйста, прочтите руководство, чтобы узнать, как внести свой вклад.