cameo

Cameo—วิศวกรรมเมตาบอลิซึมโดยใช้คอมพิวเตอร์ช่วยและการเพิ่มประสิทธิภาพ

คามีโอคืออะไร?

Cameo คือไลบรารี Python ระดับสูงที่พัฒนาขึ้นเพื่อช่วยในกระบวนการออกแบบความเครียดในโครงการวิศวกรรมเมตาบอลิซึม ไลบรารีจัดเตรียมเฟรมเวิร์กแบบโมดูลาร์ของวิธีจำลองและการออกแบบความเครียดที่มุ่งเป้าไปที่นักพัฒนาที่ต้องการพัฒนาอัลกอริธึมการออกแบบใหม่และเวิร์กโฟลว์การวิเคราะห์แบบกำหนดเอง นอกจากนี้ยังเปิดเผย API ระดับสูงแก่ผู้ใช้ที่ต้องการคำนวณการออกแบบความเครียดที่มีแนวโน้มดี

อยากรู้? ไปที่ try.cameo.bio แล้วลองดู

โปรดอ้างอิง https://doi.org/10.1021/acssynbio.7b00423 หากคุณเคยใช้จี้ในสิ่งพิมพ์ทางวิทยาศาสตร์

การติดตั้ง

ใช้ pip เพื่อติดตั้ง Cameo จาก PyPI

 $ pip ติดตั้งจี้

ในกรณีที่คุณดาวน์โหลดหรือโคลนซอร์สโค้ดจาก GitHub หรือทางแยกของคุณเอง คุณสามารถเรียกใช้สิ่งต่อไปนี้เพื่อติดตั้ง Cameo สำหรับการพัฒนา

 $ pip install -e <path-to-cameo-repo> # แนะนำ

คุณอาจต้องเรียกใช้คำสั่งเหล่านี้ด้วยสิทธิ์ผู้ดูแลระบบ หากคุณไม่ได้ใช้สภาพแวดล้อมเสมือน (เช่น ใช้ sudo เป็นต้น) โปรดตรวจสอบเอกสารสำหรับรายละเอียดเพิ่มเติม

เอกสารประกอบและตัวอย่าง

เอกสารมีอยู่ใน cameo.bio สมุดบันทึก Jupyter จำนวนมากมีตัวอย่างและบทช่วยสอน และยังเป็นส่วนหนึ่งของเอกสารประกอบอีกด้วย นอกจากนี้ยังมีให้บริการในรูปแบบปฏิบัติการบน (try.cameo.bio) นอกจากนี้ยังมีเอกสารประกอบหลักสูตรสำหรับหลักสูตรวิศวกรรมโรงงานเซลล์สองวันที่นี่

API ระดับสูง (สำหรับผู้ใช้)

คำนวณกลยุทธ์ทางวิศวกรรมความเครียดสำหรับผลิตภัณฑ์ที่ต้องการในสิ่งมีชีวิตโฮสต์จำนวนหนึ่งโดยใช้อินเทอร์เฟซระดับสูง (รันไทม์เป็นไปตามลำดับชั่วโมง)

 จากการออกแบบการนำเข้า cameo.api
การออกแบบ(product='L-Serine')

เอาท์พุต

API ระดับสูงสามารถเรียกได้จากบรรทัดคำสั่ง

 $ จี้วานิลลินออกแบบ

สำหรับข้อมูลเพิ่มเติมเรียกใช้

 $ จี้ --help

API ระดับต่ำ (สำหรับนักพัฒนา)

ค้นหาเป้าหมายการทำให้ล้มลงของยีนโดยใช้การคำนวณเชิงวิวัฒนาการ

 จากโมเดลนำเข้าจี้
จาก cameo.strain_design.heuristic นำเข้า GeneKnockoutOptimization
จาก cameo.strain_design.heuristic.objective_functions นำเข้าชีวมวล_ผลิตภัณฑ์_คู่_ผลผลิต

รุ่น = models.bigg.e_coli_core
obj = ชีวมวล_ผลิตภัณฑ์_คู่_ผลผลิต(
    model.reactions.ชีวมวล_Ecoli_core_w_GAM,
    โมเดล.ปฏิกิริยาEX_succ_e,
    model.reactions.EX_glc_e)
ko = GeneKnockoutOptimization (รุ่น = โมเดล, object_function = obj)
ko.run(max_evalings=50000, n=1,mutation_rate=0.15, indel_rate=0.185)

เอาท์พุต

ทำนายวิถีทางต่างกันสำหรับสารเคมีที่ต้องการ

 จาก cameo.strain_design นำเข้า path_prediction
ตัวทำนาย = Pathway_prediction.PathwayPredictor (แบบจำลอง)
Pathways = Predictor.run (ผลิตภัณฑ์ = "วานิลลิน")

เอาท์พุต

ผลงาน

... ยินดีเป็นอย่างยิ่ง! โปรดอ่านหลักเกณฑ์สำหรับคำแนะนำวิธีการมีส่วนร่วม